Deep Learning applicato ai segnali elettroencefalografici per la decodifica di movimenti di arto superiore eseguiti e immaginati

Saliola, Alessia (2021) Deep Learning applicato ai segnali elettroencefalografici per la decodifica di movimenti di arto superiore eseguiti e immaginati. [Laurea magistrale], Università di Bologna, Corso di Studio in Ingegneria biomedica [LM-DM270] - Cesena, Documento ad accesso riservato.
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
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 (11MB) | Contatta l'autore

Abstract

Gli sviluppi recenti nel campo dell’intelligenza artificiale hanno permesso la decodifica del movimento a partire da segnale EEG; ciò può contribuire, non solo alla realizzazione di Brain-Computer Interface, ma anche allo sviluppo di nuove metodiche per indagare i correlati neurali del movimento. È possibile ottenere elevate performance di classificazione di task motori impiegando tecniche di Deep Learning, facendo uso di reti neurali convoluzionali (Convolutional Neural Network, CNN). In questo elaborato di tesi si è impiegata una CNN (già proposta in letteratura ma utilizzata in un contesto differente) per la decodifica di segnali EEG a 61 canali, acquisiti su 15 soggetti ai quali era stato chiesto di eseguire o immaginare movimenti con l’arto superiore destro. I sei movimenti eseguiti o immaginati comprendevano: flessione-estensione del gomito, supinazione-pronazione dell’avambraccio, apertura-chiusura della mano. Tale dataset è stato precedentemente acquisito dal gruppo di ricerca dell’Institute of Neural Engineering (University of Graz) e reso disponibile online. I segnali EEG sono stati elaborati per indagare la presenza di Movement Related Cortical Potential (MRCP), una deflessione negativa del potenziale EEG, associato alle classi di movimento. Degli MRCP è stato presentato sia il loro andamento nel tempo sia una rappresentazione spaziale tramite mappe topologiche. Successivamente la rete è stata addestrata a riconoscere le classi di movimento, separatamente per movimenti eseguiti e immaginati, e le performance sono state valutate tramite matrici di confusione dalle quali sono state estratte opportune metriche (sensibilità, precisione e F1 score). Inoltre, per individuare i pattern appresi dalla rete per la decodifica, si sono visualizzati i filtri convoluzionali. Infine, si sono applicati due metodi (occlusione dei canali e saliency maps) per la quantificazione dell’importanza degli istanti temporali e spaziali per la classificazione dei task motori.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Saliola, Alessia
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Movement Related Cortical Potential (MRCP),Reti neurali convoluzionali,Classificazione,Movimenti eseguiti,Movimenti immaginati,Tecniche di interpretazione
Data di discussione della Tesi
18 Marzo 2021
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^