Work

Temeljni model za intrakranialne posnetke

Year: 2026
Type: dissertation
Abstract: 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
Language: English
Open Access status: green
OpenAlex ID: W7221395706
Cites: 72
Cited by:
Related to: 10