Temeljni model za intrakranialne posnetkeKramar, Sebastjan (Avtor) Berezutskaya, Julia (Mentor) Slapničar, Gašper (Komentor) Intrakranialni posnetki možganovsamonadzorovano učenjetemeljni modelanaliza biomedicinskih signalovgloboko učenjevmesnik možgani-računalnikIntrakranialna elektroencefalografija (iEEG) ponuja vpogled v aktivnost nevronov z visoko prostorsko in časovno ločljivostjo. Kljub temu, da je visoka ločljivost primerna za globoko učenje, je iEEG slabo raziskano področje, predvsem v kontekstu temeljnih modelov (TM). Glavni vzroki so heterogenost podatkov, omejena količina označenih podatkov in omejena dostopnost le-teh. Probleme omejenosti smo naslovili z razvojem temeljnega modela, osnovanega na grafovski nevronski mreži, s pozicijskim kodiranjem. Učili smo ga na klinični podatkovni množici univerzitetnega medicinskega centra v Utrechtu z uporabo kontrastnega učenja. Grafovske strukture so zelo naravna predstavitev intrakranialnih elektrod, samonadzorovano kontrastno učenje pa zmanjša potrebo po označenih podatkih. Vse evalvacije so bile izvedene na nalogi binarne klasifikacije mirovanja proti aktivnosti, za pet udeležencev. Našo metodo smo primerjali z uporabo visokofrekvenčnega pasu, ki je ustaljena tehnika strojnega učenja na področju vmesnikov možgani-računalnik. Pokazali smo, da je TM deloval bolje pri 10 %, 30 % in 50 % razpoložljivosti podatkov, s primerljivimi rezultati pri 70 % razpoložljivosti podatkov. Ta razlika je bila potrjena z Wilcoxonovim testom predznačenih rangov za pogoje z nizko razpoložljivostjo podatkov (10 %, 30 % in 50 %). Potrdili smo, da je predtreniranje uporabno in omogoča raziskovanje posploševanja na nevidene udeležence; pri prečnem preverjanju z izpustom enega subjekta je zamrznjen model dosegel boljše rezultate kot dotrenirani model in naključno inicializirani model. Analiza prostora vložitev je pokazala gručenje na podlagi identitete in naloge. TM se izkaže kot učinkovit v podatkovno redkih okoljih in kaže zgodnje dokaze o posploševanju med udeleženci, vendar generalizacija ostaja omejena in je močno podvržena strukturi posameznih udeležencev. Vložitveni prostor TM prav tako ponuja dragocen vpogled v značilnosti iEEG signalov.20262026-10-04 08:30:33Magistrsko delo/naloga189350VisID: 217904sl