Browsing by Author "Kuzovkin, Ilya"

Now showing 1 - 5 of 5

EEG allika lokaliseerimine: masinaõppe lähenemisviis
(2018) Singh, Gagandeep; Kuzovkin, Ilya
Inimaju aktiivsuse salvestamise jaoks on olemas mitmeid meetodeid. Üks nendest on EEG, mis suudab ajusignaali mõõta peaaegu samal hetkel, kui see signaal ajus tekib.Samas selle ruumiline täpsus on väga madal. Konkureeriv tehnoloogia on fMRI, mille ruumiline täpsus on hea, kuid ajaline täpsus madal. Mõõtes ajusignaale kasutades mõlemat tehnoloogiat korraga saab kätte signaali, mis on rikas ja täpne aju aktiivsuse kirjeldus nii ruumis kui ka ajas. Signaali allika järeldamist EEG andmetest nimetatakse allika lokaliseerimise probleemiks. Antud uuringus me demonstreerime uut lokaliseerimise meetodit, mis kasutab masinõpet. Uue meetodi suutlikkuse hindamiseks kasutame andmestikku, kus EEG ja fMRI signaalid olid salvestatud samaaegselt. Samuti võrdleme antud töös väljatöötatud meetodit teiste allika lokaliseerimise meetoditega.
Hägusate klassifikatsioonialgoritmide kasutamine aju-arvuti liidestes
(2014) Bolotnikov, Stepan; Kuzovkin, Ilya
Selles lõputöös uuritakse hägusate klassifikatsioonialgoritmide kasutamist elektroentsefalograafial (electroencephalography, EEG) põhinevates aju-arvuti liidestes (brain-computer interfaces, BCI). Uuritakse olemasolevat kirjandust BCI-des kasutatavate klassifikatsioonialgoritmide, hägusate algoritmide olemuse ja nende kasutamise kohta BCI-des. Hägusate algoritmide potentsiaalsete eeliste demonstreerimiseks realiseeritakse lihtne aju-arvuti liides, mis võimaldab kasutajal liigutada kursorit arvuti ekraanil. Testid selle rakendusega näitavad, et hägusad algoritmid sellist tüüpi rakendustes ei oma eelist traditsiooniliste algoritmide üle.
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.
Understanding information processing in human brain by interpreting machine learning models. A data-driven approach to computational neuroscience
(2020-07-09) Kuzovkin, Ilya; Zafra, Raul Vicente, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Modelleerimine on inimkonna põline viis keerulistest nähtustest arusaamiseks. Planeetide liikumise mudel, gravitatsiooni mudel ja osakestefüüsika standardmudel on näited selle lähenemise edukusest. Neuroteaduses on olemas kaks viisi mudelite loomiseks: traditsiooniline hüpoteesipõhine lähenemine, mille puhul kõigepealt mudel sõnastatakse ja alles siis valideeritakse andmete peal; ja uuem andmepõhine lähenemine, mis toetub masinõpele, et sõnastada mudeleid automaatselt. Hüpoteesipõhine viis annab täieliku mõistmise sellest, kuidas mudel töötab, aga nõuab aega, kuna iga hüpotees peab olema sõnastatud ja valideeritud käsitsi. Andmepõhine lähenemine toetub ainult andmetele ja arvutuslikele ressurssidele mudelite otsimisel, aga ei seleta kuidas täpselt mudel jõuab oma tulemusteni. Me väidame, et neuroandmestike suur hulk ja nende mahu kiire kasv nõuab andmepõhise lähenemise laiemat kasutuselevõttu neuroteaduses, nihkes uurija rolli mudelite tööprintsiipide tõlgendamisele. Doktoritöö koosneb kolmest näitest neuroteaduse teadmisi avastamisest masinõppe tõlgendamismeetodeid kasutades. Esimeses uuringus tõlgendatava mudeli abiga me kirjeldame millised ajas muutuvad sageduskomponendid iseloomustavad inimese ajusignaali visuaalsete objektide tuvastamise ülesande puhul. Teises uuringus võrdleme omavahel signaale inimese aju ventraalses piirkonnas ja konvolutsiooniliste tehisnärvivõrkude aktivatsioone erinevates kihtides. Säärane võrdlus võimaldas meil kinnitada hüpoteesi, et mõlemad süsteemid kasutavad hierarhilist struktuuri. Viimane näide kasutab topoloogiat säilitavat mõõtmelisuse vähendamise ja visualiseerimise meetodit, et näha, millised ajusignaalid ja mõtteseisundid on üksteisele sarnased. Viimased tulemused masinõppes ja tehisintellektis näitasid et mõned mehhanismid meie ajus on sarnased mehhanismidega, milleni jõuavad õppimise käigus masinõppe algoritmid. Oma tööga me rõhutame masinõppe mudelite tõlgendamise tähtsust selliste mehhanismide avastamiseks.
Visuaalse stiimuliga esilekutsutud potentsiaalidel põhinev roboti juhtimine Emotiv EPOC seadmega
(2015) Ingel, Anti; Kuzovkin, Ilya
Antud töö kirjeldab visuaalse stiimuliga esilekutsutud potentsiaalidel põhinevat aju ning arvuti vahelist liidest (AAL), mis loodi antud töö praktilise osana. AALi saab kasutada aju ja seadme vahelise otsese suhtluskanali loomiseks, mis tähendab, et seadmega suhtlemiseks pole vaja nuppe vajutada, piisab vaid visuaalsete stiimulite vaatamisest. Efektiivne AAL võimaldaks raske puudega isikutel näiteks elektroonilist ratastooli juhtida. Antud töö osana loodud AAL kasutab tuntud kanoonilise korrelatsiooni- ja võimsusspektri analüüsi meetodeid ning uuendusena kombineerib need kaks meetodit üheks teineteist täiendavaks meetodiks. Kahe meetodi kombinatsioon muudab AALi täpsemaks. AALi testiti antud töös vaid pealiskaudselt ning tulemused on järgnevad: ühe käsu edastamise aeg 2,61 s, täpsus 85,81% ning informatsiooni edastamise kiirus 27,73 bitt/min. Antud AAL on avatud lähtekoodiga, kirjutatud Python 2.7 programmeerimiskeeles, sisaldab graafilist kasutajaliidest ning kasutab aju tegevuse mõõtmiseks elektroensefalograafia (EEG) seadet Emotiv EPOC. AALi kasutamiseks on vaja ainult arvutit ja Emotiv EPOC seadet. Koodi muutes on võimalik kasutada ka teisi EEG seadmeid.