20.500.12556/RUL-189350 Temeljni model za intrakranialne posnetke Foundation Model for Intracranial Brain Recordings Intrakranialna 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. Intracranial electroencephalography (iEEG) offers high-resolution access to neural activity in both the spatial and temporal domains. Despite this resolution being well-suited to deep learning, iEEG remains underexplored in the context of large-scale supervised models and foundation models (FMs). This is mainly due to data heterogeneity, limited labelled data, and restricted accessibility. To address these challenges, we developed a foundation model based on a graph neural network with positional encoding, which we trained on a clinical dataset sourced from Utrecht University Medical Centre, using contrastive learning. Graph representations lend themselves well to the structure of intracranial electrode grids and the self-supervised approach of contrastive learning alleviates the need for labelled data. All evaluations used a binary rest-versus-move classification task over five participants. As a comparative baseline, we took a classical preprocessing approach with high frequency band features. We showed that the FM outperformed the baseline in data-scarce environments, with 10%, 30% and 50% data availability and with comparable performance at 70% data availability. This difference was confirmed with the Wilcoxon signed-rank test showing significance at Intrakranialni posnetki možganov samonadzorovano učenje temeljni model analiza biomedicinskih signalov globoko učenje vmesnik možgani-računalnik Intracranial brain recording self-supervised learning foundation model biomedical signal analysis deep learning BCI true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-10-04 08:30:33 2026-10-04 08:30:38 2026-10-05 04:27:58 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 217904 53210.pdf 53210.pdf 1 D6AA728023AB9070F3AA5EA62227E949 f1df87bc58f9e9d658afb251d6cb774d3dfca2ac8e1960b89f0eb348cc7d3495 fd25fc1f-bfbc-11f1-8bc5-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=249827 Pedagoška fakulteta 0 0 0