Miani, Davide
(2019)
Implementazione di algoritmi di machine learning per la classificazione del movimento tramite segnali elettroencefalografici.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Ingegneria biomedica [LM-DM270] - Cesena
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (14MB)
|
Abstract
I recenti sviluppi nel campo dell'intelligenza artificiale hanno permesso la decodifica del movimento tramite segnale EEG. È stato dimostrato come sia possibile ottenere ottime performance di classificazione fra più task motori impiegando tecniche di Machine Learning (ML) e di Deep Learning (DL), facendo uso per quest'ultime di reti neurali convoluzionali (Convolutional Neural Networks, CNN). Tuttavia, il gold standard per questo tipo di applicazioni rimane un algoritmo di ML, il Filter Bank Common Spatial Pattern (FBCSP) con classificazione tramite Linear Discriminant Analysis (LDA), anche se simili prestazioni sono state recentemente ottenute con una CNN (Deep ConvNet). L'assenza in letteratura di uno studio che considerasse tutte le principali strategie di addestramento ha ispirato l'indagine svolta in questo elaborato. Sono stati implementati sia l'algoritmo FBCSP+LDA che l'architettura Deep ConvNet, addestrati su un dataset EEG (High-Gamma, disponibile online) ottenuto da 14 soggetti per un totale di 13484 trial motori divisi in 4 classi. L'addestramento con trial appartenenti ad un unico soggetto non ha solamente confermato i risultati precedenti, ma anche dimostrato che impiegando un miglior partizionamento del dataset le CNN sono in grado di superare significativamente le accuratezze di FBCSP+LDA (98.2% vs. 89.6%). L'addestramento con trial appartenenti a più soggetti ha ribadito la superiorità delle CNN (71.5% vs. 47.2%); il divario si amplia ulteriormente utilizzando tecniche di trasferimento della conoscenza (91.3% con transfer learning). Inoltre, addestrando i classificatori con diverse finestre temporali sui trial, si è dimostrato come le CNN siano in grado di raggiungere ugualmente buone performance (87.8% vs. 48.6%). In conclusione, questo studio evidenzia come l'uso di CNN rispetto ad altre metodologie di ML sia in grado di decodificare il segnale EEG con ottime prestazioni anche utilizzando strategie di addestramento differenti.
Abstract
I recenti sviluppi nel campo dell'intelligenza artificiale hanno permesso la decodifica del movimento tramite segnale EEG. È stato dimostrato come sia possibile ottenere ottime performance di classificazione fra più task motori impiegando tecniche di Machine Learning (ML) e di Deep Learning (DL), facendo uso per quest'ultime di reti neurali convoluzionali (Convolutional Neural Networks, CNN). Tuttavia, il gold standard per questo tipo di applicazioni rimane un algoritmo di ML, il Filter Bank Common Spatial Pattern (FBCSP) con classificazione tramite Linear Discriminant Analysis (LDA), anche se simili prestazioni sono state recentemente ottenute con una CNN (Deep ConvNet). L'assenza in letteratura di uno studio che considerasse tutte le principali strategie di addestramento ha ispirato l'indagine svolta in questo elaborato. Sono stati implementati sia l'algoritmo FBCSP+LDA che l'architettura Deep ConvNet, addestrati su un dataset EEG (High-Gamma, disponibile online) ottenuto da 14 soggetti per un totale di 13484 trial motori divisi in 4 classi. L'addestramento con trial appartenenti ad un unico soggetto non ha solamente confermato i risultati precedenti, ma anche dimostrato che impiegando un miglior partizionamento del dataset le CNN sono in grado di superare significativamente le accuratezze di FBCSP+LDA (98.2% vs. 89.6%). L'addestramento con trial appartenenti a più soggetti ha ribadito la superiorità delle CNN (71.5% vs. 47.2%); il divario si amplia ulteriormente utilizzando tecniche di trasferimento della conoscenza (91.3% con transfer learning). Inoltre, addestrando i classificatori con diverse finestre temporali sui trial, si è dimostrato come le CNN siano in grado di raggiungere ugualmente buone performance (87.8% vs. 48.6%). In conclusione, questo studio evidenzia come l'uso di CNN rispetto ad altre metodologie di ML sia in grado di decodificare il segnale EEG con ottime prestazioni anche utilizzando strategie di addestramento differenti.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Miani, Davide
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
EEG,Decodifica del movimento,Machine Learning,Deep Learning,reti neurali convoluzionali
Data di discussione della Tesi
13 Marzo 2019
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Miani, Davide
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
EEG,Decodifica del movimento,Machine Learning,Deep Learning,reti neurali convoluzionali
Data di discussione della Tesi
13 Marzo 2019
URI
Statistica sui download
Gestione del documento: