Klasifikacija EEG signalov z uporabo globokih modelov in pristopov bogatenja podatkovEftimska, Iva (Avtor) Dobrišek, Simon (Mentor) EEGpristopi bogatenja podatkovbinarna klasifikacijagloboko učenjevečji obseg podatkov.Elektroencefalografija (EEG) je eno izmed najpomembnejših orodij za detekcijo in diagnozo epilepsije, saj omogoča neposredno spremljanje električne aktivnosti možganov. EEG je še posebej pomemben zaradi svoje neinvazivnosti in cenovne dostopnosti, kar ga uvršča med široko dostopne diagnostične metode in je primeren za redno uporabo v klinični praksi. V zadnjih letih je v nevroznanosti prisoten hiter razvoj globokega učenja, saj je na voljo čedalje več prostodostopnih podatkovnih zbirk. V tem delu uporabljamo dva globoka modela za klasifikacijo EEG signalov v normalni in abnormalni razred. Prvi je kompleksnejši model ChronoNet, ki doseže 82,12-odstotno točnost pri celotni učni množici, medtem ko drugi, preprostejši ConvNet model, doseže 66,66-odstotno točnost pri celotni učni množici. Z dvema različnima modeloma želimo pokazati, kako delujejo pristopi bogatenja podatkov pri različnih modelih. Modela sta bila naučena na največji dostopni podatkovni zbirki za EEG signale, TUAB zbirki. Pristopi bogatenja podatkov na področjih, kot so računalniški vid in obdelava naravnega jezika, so že uveljavljeni, vendar so pri bioloških signalih, kot je EEG, manj raziskani, ker so EEG signali kompleksni in so izbire primernih pristopov bogatenja podatkov manj intiutivne. Zato bo to delo temeljilo na identifikaciji pravilnega pristopa bogatenja podatkov, pri čemer bi se ohranila struktura signalov. Z našim pristopom smo s povezovanjem Mixup (mešanje primerov samo iz normalnega razreda) in spremembo predznaka dosegli izboljšavo točnosti v primerjavi z izvedbo brez pristopa bogatenja podatkov na 10-odstotni učni množici iz 61,89~\% na 66,09~\%. Izboljšave so bile dosežene tudi pri ostalih metrikah, kot so F1 ocena, natančnost in ROC AUC. Takšne izboljšave so bili statistično značilne, kar smo pokazali z Wilcoxonovim testom, ker smo dosegli p-vrednosti pod 0,05. Tudi za preprostejši model ConvNet so bile dosežene izboljšave, vendar te niso bile statistično značilne.20242024-10-28 10:00:07Magistrsko delo/naloga164498VisID: 62804COBISS_ID: 217609731sl