Sirvi Autor "Roots, Karel" järgi

Nüüd näidatakse 1 - 2 2

Development of EEG-Based BCI Application Using Machine Learning to Classify Motor Movement and Imagery
(Tartu Ülikool, 2020) Roots, Karel; Muhammad, Yar, juhendaja; Muhammad, Naveed, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
A brain-computer interface (BCI) is a system that implements human-computer communication by interpreting brain signals. The signals can be recorded through different neuroimaging techniques that can read brain activity, such as electroencephalography (EEG). The goal of BCI technology is to enable the user to communicate with or control an external device using their mind. BCIs are widely used in medicine to help patients with limited motor abilities to communicate with their environment. However, there are many challenges faced when building a BCI capable of classifying the subject’s intention, such as the highly individualized nature of brain waves, which makes the development of a universal classifier difficult. This work aimed to develop a better electroencephalography (EEG) based machine learning classifier model capable of cross-subject motor movement and imagery classification and to build a BCI system to validate the performance of the developed classifier. The classifier was based on convolutional neural networks (CNN) with a multi-branch feature fusion approach. The classifier was developed using Tensorflow machine learning framework, the BCI system was developed in the Python programming language using the PyQT framework, and the Emotiv EPOC EEG device was used for signal collection. The resulting classifier was tested on a publicly available dataset of 103 subjects. The classifier achieved an accuracy of 84.1% when predicting executed left- or right-hand movement and an accuracy of 83.8% when predicting imagined left- or right-hand movement.
Semi-Supervised Automatic Speech Recognition for Low Resource Languages
(Tartu Ülikool, 2022) Roots, Karel; Fišel, Mark, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
Automaatne kõnetuvastus on arvutiteaduse valdkond, mis on suunitletud kõne tuvastamise ja tekstiks ümbertöötlemise meetodite ja tehnoloogiate väljatöötamisele. Kõnetuvastus leiab laialdaselt rakendust erinevates inimese-arvuti liidestes. See tehnoloogia võimaldab näiteks puuetega inimestel mõista transkribeeritud kõnet ja aitab neil juhtida arvutisüsteeme kasutades kõnel põhinevat sisendit. Üks peamisi väljakutseid kõnetuvastuse mudelite loomisel väheste ressurssidega keeltele nagu eesti keel, on piisava koguse andmete puudus, mis on tarvilik närvivõrkudel põhinevate masinõppe mudelite treenimiseks. Hiljuti aga on välja töötatud mitmekeelsed pool-juhendamisega masinõppe mudelid, mis kasutavad juhendamata eeltreenimist suurel kogusel märgendamata andmestikul ja juhendatud peen töötlemist väiksel kogusel märgendatud andmetel. Need mudelid on demonstreerinud kõrget potentsiaali väheste ressurssidega keelte kõnetuvastuse parendamiseks. Käesolevas töös on uurimise all wav2vec 2.0 nimeline kõnetuvastuse masinõppe mudeli arhitektuur. Töös implementeeritakse ühekeelne masinõppe mudel, mis on eeltreenitud ja peentöödeldud vaid eestikeelsetel andmetel ning mitmekeelne masinõppe mudel, mis on eeltreenitud eesti- ja ingliskeelsetel andmetel ning peentöödeldud eestikeelsetel andmetel. Mudeleid hinnatakse eestikeelsetel test andmetel ning nende tulemusi võrreldakse kasutades sõna ja tähemärgi vea määra. Eksperimentide tulemused näitavad, et mitmekeelne eeltreenimine saavutab eestikeelsetel andmetel sõna vea määra 12.1% ja tähemärgi vea määra 5%. Samal ajal ühekeelne eeltreenimine saavutab sõna vea määra 26.9% ja tähemärgi vea määra 5.9%. Need tulemused esindavad mitmekeelse mudeli jaoks 53.6% madalamat sõna vea määra ja 15.3% madalamat märgi vea määra kui ühekeelsel mudelil ning toovad esile pool-juhendatud mitmekeelse mudeli potentsiaali parandada väheste ressurssidega keelte kõnetuvastust kasutades märgendamata andmeid.