Regisztráció és bejelentkezés

EEG jelek feldolgozása deep learning segítségével

A koponyán keresztül rögzített elektroenkefalográfiai (EEG) jeleket az orvostudomány széleskörűen alkalmazza különböző diagnózisok felállítására. Diagnózisok felállításán túl az EEG jelek felhasználásával olyan brain computer interface (BCI), azaz agy-számítógép interfész rendszerek közé tartozó eszközök kerültek megvalósításra, amelyek beszéd és gesztusok nélküli kommunikációra adnak lehetőséget. Ezek közé az eszközök közé tartozik a Farwell és Donchin (1988) által létrehozott betűző is, amely segítségével bezárt-szindrómás személyek is képesek kommunikálni. Az EEG jelek feldolgozása során felmerülő nehézség, hogy a jelek zajosak, így több generált impulzus mérési eredményének átlagolása szükséges ahhoz, hogy a felhasználó megfelelő pontossággal tudjon információt közvetíteni, amely azonban a folyamat sebességét limitálja.

Neurális hálók alkalmazása számos területen (pl. képfeldolgozás, chatbotok) hozott újszerű és hatékony megoldásokat. Ennek a technológiának a használatára az orvostudományban is gyakran sor kerül, mivel nagy komplexitású feladatok megoldására képes. Legelterjedtebben MRI és röntgen képeken megjelenő elváltozások és betegségek elemzését végzik kétdimenziós konvolúciós hálók segítségével, amely megoldásokhoz képest az EEG jelek feldolgozására használt technológiák kevésbé kiforrottak.

Jelen dolgozatomban azt kutatom fel, hogy milyen state-of-the-art technológiák léteznek EEG, azon belül is a P300 típusú jelek feldolgozására, továbbá klasszifikáció végzésére teszek kísérletet konvolúciós neurális háló segítségével. Célom, hogy az adat típusára való tekintettel olyan egydimenziós konvolúciós neurális háló architektúrát építsek, amely megfelelő pontossággal képes az agyi jelek feldolgozására és gyorsabb kommunikációt tud biztosítani. A háló tanításához és teszteléséhez a BCI Competition 3 2-es adathalmazt használom, amelyet Farwell és Donchin által létrehozott betűzőhöz hasonló eszköz alkalmazásával vettek fel.

szerző

  • Torma Szabolcs
    Villamosmérnöki szak, alapképzés
    alapképzés (BA/BSc)

konzulens

  • Dr. Szegletes Luca
    egyetemi adjunktus, Automatizálási és Alkalmazott Informatikai Tanszék