Browsing by Author "Korjus, Kristjan"

Now showing 1 - 5 of 5

Analyzing EEG data and improving data partitioning for machine learning algorithms
(2017-10-23) Korjus, Kristjan; Vicente, Raul, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Doktoritöö käigus valmis uus meetod masinõppe andmete efektiivsemaks kasutamiseks. Klassikalises statistikas on mudelid piisavalt lihtsad, et koos eeldustega andmete kohta, saavad need öelda, kas saadud tulemused on statistiliselt olulised või mitte ehk kas andmetes üldse on signaali, mis oleks mürast erinev. Masinõppe algoritmid, nt sügavad närvivõrgud, sisaldavad sageli sadu miljoneid parameetreid, mis muudab kogu tööprotsessi loogikat. Need mudelid suudavad alati andmed 100% ära kirjeldada – sõltumata signaali olemasolust. Masinõppe keeles on see ületreenimine. Seepärast kasutatakse masinõppes statistilise olulisuse mõõtmiseks teistsugust meetodit. Nimelt pannakse osa algandmeid kõrvale, st neid ei kasutata mudeli treenimisel. Kui kasutatud andmete põhjal on parim mudel valmis tehtud, testitakse seda varem kõrvale jäänud andmete peal. Probleemiks on aga see, et masinõppe algoritmid vajavad väga palju andmeid ning kõik, mis n.ö kõrvale pannakse, läheb mudeli treenimise mõttes raisku. Teadlased on ammu otsinud viise, kuidas seda probleemi leevendada ning kasutusele on võetud mitmeid meetodeid, aga paraku on ka neil kõigil oma puudused. Näiteks ristvalideerimise korral saab kõiki andmeid väga efektiivselt kasutada, ent pole võimalik tõlgendada mudeli parameetreid. Samas kui paneme andmeid kõrvale, on meil see info küll olemas, aga mudel ise on vähemefektiivne. Doktoritöö raames leiutasime uue viisi, kuidas andmete jagamist teha. Antud meetodi puhul jäetakse samuti algul kõrvale andmete testrühm, seejärel fikseeritakse ristvalideerimist kasutades mudeli parameetrid, neid kõrvale pandud andmete peal testides tehakse seda aga mitmes jaos ning igas jaos üle jäänud andmeid kasutatakse uuesti mudeli treenimiseks. Kasutame uuesti küll kõiki andmeid, aga saavutame ka selle, et parameetrid jäävad interpreteeritavaks, nii et me teame lõpuks, kas võitis lineaarne või eksponentsiaalne mudel; kolmekihiline või neljakihiline närvivõrk. Keeruliste andmetega loodusteadustes tihti ongi just seda vaja, et teadusartikli lõpus saaks öelda, milline oli parim mudel. Samas mudeli kaalude kõiki väärtusi polegi tihtipeale vaja. Sellises olukorras on uus meetod meie teada praegu maailma kõige efektiivsem ja parem.
Kogemuslik masinõppealgoritmide võrdlus EEG andmete põhjal
(2016) Masso, Madis; Kuzovkin, Ilya; Korjus, Kristjan
Selle töö eesmärgiks on võrrelda erinevaid masinõppealgoritme ning üritada leida nende hulgast parim EEG andmete klassifitseerimise jaoks. Selle saavutamiseks klassifitseeriti 10 inimese andmeid 10 masinõppealgoritmi poolt. Algoritme võrreldi kolmel viisil: esiteks võrreldi neid kolme erineva jõudlust iseloomustava näitaja alusel, teiseks kasutati klasteranalüüsi meetodeid ja dendrogramme ning viimaks kasutati selleks korrelatsioonimaatrikseid. Saadud võrdluse tulemused näitavad, et optimeerimata parameetrite korral on logistilise regressiooni mudel kõige efektiivsem algoritm EEG andmete klassifitseerimisel. Optimeeritud parameetrite korral on kõige efektiivsemaks algoritmiks juhumets.
Loengut jälgiva üliõpilase tähelepanu muutumise analüüs ajuandmete abil
(2014) Nõlv, Evert; Korjus, Kristjan; Tõnisson, Eno; Niitsoo, Margus
Töö eesmärk on uurida üliõpilaste tähelepanu muutumist loengus ja kas loengus küsimuste esitamine suurendab üliõpilaste tähelepanu. 16 tudengile näidati loenguvideot ning samal ajal mõõdeti ja salvestati mobiilse Emotiv EPOC EEG seadmega üliõpilaste ajulaineid. Tähelepanu muutumise (kõrgete ja madalate sageduste suhe) andmed varieerusid palju ja statistiliselt olulist tähelepanu tõusu küsimuste esitamise järel antud töö ei leia.
Masinõppe kasutamine ajuandmete analüüsiks lühimälu nõudva katse ajal
(2014) Martšenko, Kristina; Vicente, Raul; Korjus, Kristjan
Käesolev töö uurib ahvi prefrontaalse ajukoore neuronite elektrilist aktiivsust, kui ahv osaleb lühimälu nõudvas katses. Analüüsi esimeses osas kasutatakse juhendatud masinõpet, et näha, kas aju aktiivsuse põhjal on võimalik ennustada ahvi käitumist. Leitakse, et kuigi enne käitumist ei suudeta seda ennustada, on 69% tõenäosusega võimalik see õigesti välja lugeda käitumisejärgsest neuronite aktiivsusest. Analüüsi teises osas uuritakse, kuidas neuronite aktiivsus sadu katseid sisaldava päeva jooksul muutub. Leitakse, et enamasti püsib aktiivsus sama, kuid osadel neuronitel tõuseb või langeb. Samuti leitakse, et neuroni muutus päeva jooksul ei ole seotud sellega, kuidas see katse jooksul käitub. Need leiud võivad viia parema arusaamiseni prefrontaalse ajukoore ja lühimälu omadustest.
Matemaatika õhtuõpik
([Tallinn] : Hea Lugu, 2014) Aru, Juhan; Korjus, Kristjan; Saar, Elis