Mašīnmācīšanās metožu pielietojumi smadzeņu elektrofizioloģisko signālu apstrādei

Abstract

Elektrofizioloģijas signālu ieraksti, kurus ir iespējams analizēt un apstrādāt ar mašīnmācīšanās metodēm ir svarīgi neirozinātnē, kā arī datorzinātnē, jo tie sniedz vērtīgu informāciju par cilvēka veselības un garīgo stāvokli un dod iespēju padarīt cilvēku ikdienas dzīvi ērtāku, pielietojot iegūto informāciju dažādās jomās, kā medicīna, drošība, neiromārketings. Bakalaura darba “Mašīnmācīšanās metožu pielietojumi smadzeņu elektrofizioloģisko signālu apstrādei” ietvaros tiek apskatīta cilvēka smadzeņu elektrofizioloģisko signālu veidi un pielietojumi zinātnē un nozarē, kā arī veikts praktiskais darbs: tiek veikti eksperimenti, pielietojot klasiskās mašīnmācīšanās un dziļās mašīnmācīšanas metodes elektrofizioloģisko signālu apstrādei. Darbā tika parādīti atbalsta vektoru mašīnas, loģistiskās regresijas algoritmi, kā arī daudzslāņa perceptrona un konvolūciju neironu tīkla darbība, izmantojot “DecMeg2014 – Decoding the Human Brain” (latv. “Cilvēka smadzeņu atšifrēšana”) datu kopu no Kaggle vietnes.

Electrophysiological signal recordings that can be analyzed and processed by machine learning methods are important in neuroscience as well as computer science, because they provide valuable information about a person's health and mental state and make it possible to make people's daily lives more convenient by applying the information in various fields such as medicine, security and neuromarketing. The bachelor thesis “Applications of machine learning methods to the processing of the brain electrophysiological signals” deals with the types and applications of human brain electrophysiological signals in science and industry, as well as practical work: experiments using classical machine learning and deep machine learning methods to process electrophysiological signals. The work demonstrated support vector machines, logistic regression algorithms, and a multi-layer perceptron and convolutional neural network using the "DecMeg2014 - Decoding the Human Brain" dataset from the Kaggle website.