Ταξινόμηση Σημάτων Ηλεκτροεγκεφαλογραφήματος Νοητικής Κίνησης με Χρήση Τεχνικών Βαθιάς Μάθησης

Abstract

Οι διεπαφές εγκεφάλου – υπολογιστή (Brain Computer Interfaces - BCIs) που βασίζονται σε ηλεκτροεγκεφαλογραφήματα (EEG) νοητικών κινήσεων, αποτελούν μη επεμβατικά συστήματα τα οποία μετεφράζουν την πρόθεση κίνησης μελών του ατόμου σε σήματα ελέγχου μια εξωτερικής συσκευής. Αποτελούν έναν επιστημονικό τομέα υπό εντατική έρευνα καθώς μπορούν να αξιοποιηθούν από άτομα με σοβαρές αναπηρίες, παρέχοντας τους την δυνατότηα επικοινωνίας και αλληλεπίδρασης με το περιβάλλον. Για να γίνει η μετάφραση της πρόθεσης κίνησης στο αντίστοιχο σήμα ελέγχου είναι απαραίτητη η αποκωδικοποίηση και ταξινόμηση των EEG σημάτων. Για την ταξινόμηση, τυπικά γίνεται χρήση κλασικών τεχνικών μηχανικής μάθησης, οι οποίες αν και πετυχαίνουν αρκετά καλά αποτελέσματα, βασίζονται στην χειροκίνητη εξαγωγή χαρακτηριστικών των σημάτων. Ωστόσο η εξαγωγή των χαρακτηριστικών αυτών αποτελεί μεγάλη πρόκληση καθώς τα σήματα αυτά χαρακτηρίζονται από μεγάλη μεταβλητότητα. Παράλληλα ο τομέας της βαθιάς μάθησης εξελίσσεται ραγδαία τα τελευταία χρόνια, παρέχοντας μεθόδους μάθησης που εκπαιδεύονται να εξάγουν αυτόματα τα πιο χρήσιμα χαρακτηριστικά των δεδομένων τους, οδηγώντας σε εντυπωσιακά αποτελέσματα. Αντικείμενο της εργασίας είναι η μελέτη της επίδοσης τεχνικών βαθιάς μάθησης, οι οποίες θα μπορούσαν να αντικαταστήσουν τις κλασικές μεθόδους και να οδηγήσουν στην ανάπτυξη των BCIs. Υλοποιήθηκαν τέσσερα νευρωνικά δίκτυα: δυο συνελικτικά (CNN), ένα συνελικτικό βασισμένο σε σπεκτρογράμματα καθώς και ένα συνελικτικό δίκτυο μακράς βραχείας μνήμης (ConvLSTM). Τα μοντέλα μας αξιολογήθηκαν σε δεδομένα από νοητικές κινήσεις 109 ατόμων, τα οποία είναι διαθέσιμα στο Physionet. Παρατήρηθηκαν καλύτερες επιδόσεις από γνωστές μεθόδους ρηχής μάθησης καθώς επίσης και από μοντέλα βαθιάς μάθησης συγγενών εργασιών στο ίδιο dataset.