Nadgledani algoritmi mašinskog učenja za klasifikaciju moždanih signala

  • Ihab A. Satam Univerzitet Obuda, Škola doktorskih bezbednosnih studija, Budimpešta, Mađarska; Severni tehnički univerzitet, Tehnički institut Al-Havidža, Odeljenje elektronske tehnike, Havidža, Republika Irak https://orcid.org/0000-0002-9749-0944
  • Róbert Szabolcsi Univerzitet Obuda, Škola doktorskih bezbednosnih studija, Budimpešta, Mađarska https://orcid.org/0000-0002-2494-3746
DOI: https://doi.org/10.5937/vojtehg72-48620
Ključne reči: nadgledano mašinsko učenje, EEG, moždani signali, klasifikacije, ekstrakcija karakteristika

Sažetak


Uvod/cilj: Moždani talasi imaju sve češću primenu, naričito u oblasti aplikacija za pomoć osobama sa amputacijom ili paralizom. Cilj ovog istraživanja jeste procena uspešnosti klasifikovanja moždanih signala različitih nadgledanih algoritama mašinskog učenja, sa težištem na poboljšanju preciznosti i efikasnosti interfejsa između mozga i računara.

Metode: U radu su analizirani podaci moždanih signala pomoću nekoliko poznatih nadgledanih modela učenja, poput metoda potpornih vektora (SVM) i neuralnih mreža (NN). Podaci su uzeti iz prethodne studije. Dvadeset pet ispitanika je zamišljalo da pokreće desnu ruku (lakat i ručni zglob) dok su istovremeno snimani moždani signali. Skup podataka je pripremljen za analizu korišćenjem detaljnih postupaka prethodne obrade i ekstrakcije karakteristika. 

Rezultati: Studija naglašava suštinski značaj selekcije karakteristika i modifikacije modela za dobijanje što boljih rezultata klasifikacije. Nadgledane metode mašinskog učenja imaju veliki potencijal za klasifikovanje moždanih signala, naročito metode SVM i NN.

Zaključak: Korišćenje metoda SVM i NN ima potencijal da potpuno transformiše kreiranje najsavremenijih interfejsova između mozga i računara. Integracija ovih modela sa podacima dobijenim u realnom vremenu treba da bude predmet budućih istraživanja.

Reference

Ahmed, A.H., Al-Hamadani, M.N.A. & Satam, I.A. 2022. Prediction of COVID-19 disease severity using machine learning techniques. Bulletin of Electrical Engineering and Informatics, 11(2), pp.1069-1074. Available at: https://doi.org/10.11591/eei.v11i2.3272.

Al-Hamadani, M.N. 2023. Classification and analysis of the MNIST dataset using PCA and SVM algorithms. Vojnotehnički glasnik/Military Technical Courier, 71(2), pp. 221-238. Available at: https://doi.org/10.5937/vojtehg71-42689.

Amin, H.U., Mumtaz, W., Subhani, A.R., Saad, M.N.M. & Malik, A.S. 2017. Classification of EEG Signals Based on Pattern Recognition Approach. Frontiers in Computational Neuroscience, 11, art.number:103, pp.1-12. Available at: https://doi.org/10.3389/fncom.2017.00103.

Al-Aziz, A., Muntakim, A.-H. & Ahmed, K. 2021. No Regular Behavior Pattern in Neural Network Execution – A Matlab Experience. International Journal of Computer Application, 174(19), pp.39-46. Available at: https://doi.org/10.5120/ijca2021921087.

de Brito Guerra, T.C., Nóbrega, T., Morya, E., de M. Martins, A. & de Sousa, V.A. 2023. Electroencephalography Signal Analysis for Human Activities Classification: A Solution Based on Machine Learning and Motor Imagery. Sensors, 23(9), art.number:4277. Available at: https://doi.org/10.3390/s23094277.

Huang, J.-S., Li, Y., Chen, B.-Q., Lin, C. & Yao, B. 2020. An Intelligent EEG Classification Methodology Based on Sparse Representation Enhanced Deep Learning Networks. Frontiers in Neuroscience, 14, art.number:808. Available at: https://doi.org/10.3389/fnins.2020.00808.

Kuptsov, P.V. & Stankevich, N.V. 2024. Modeling of the Hodgkin–Huxley neural oscillators dynamics using an artificial neural network. Izvestiya VUZ Applied Nonlinear Dynamics, 32(1), pp.72-95. Available at: https://doi.org/10.18500/0869-6632-003079.

Ma, X., Qiu, S. & He, H. 2020. Multi-channel EEG recording during motor imagery of different joints from the same limb. Scientific Data, 7, art.number:191, pp.1-9. Available at: https://doi.org/10.1038/s41597-020-0535-2.

Ortega-Fernandez, I., Sestelo, M. & Villanueva, N.M. 2024. Explainable generalized additive neural networks with independent neural network training. Statistics and Computing, 34, art.number:6. Available at: https://doi.org/10.1007/s11222-023-10320-5.

Páez-Amaro, R.T., Moreno-Barbosa, E., Hernández-López, J.M., Zepeda-Fernández, C.H., Rebolledo-Herrera, L.F. & de Celis-Alonso, B. 2022. EEG motor imagery classification using machine learning techniques. Revista Mexicana de Fisica, 68(4), art.number:041102. Available at: https://doi.org/10.31349/RevMexFis.68.041102.

Ramírez-Arias, F.J., García-Guerrero, E.E., Tlelo-Cuautle, E., Colores-Vargas, J.M., García-Canseco, E., López-Bonilla, O.R., Galindo-Aldana, G.M. & Inzunza-González, E. 2022. Evaluation of Machine Learning Algorithms for Classification of EEG Signals. Technologies, 10(4), art.number:79. Available at: https://doi.org/10.3390/technologies10040079.

Wen, T., Du, Y., Pan, T., Huang, C. & Zhang, Z. 2021. A Deep Learning-Based Classification Method for Different Frequency EEG Data. Computational and Mathematical Methods in Medicine, 2021, art.ID:1972662. Available at: https://doi.org/10.1155/2021/1972662.

Objavljeno
2024/06/10
Broj časopisa
Vol. 72 Br. 2 (2024): april-jun
Rubrika
Originalni naučni radovi

Sva prava zadržana (c) 2024 Ihab A. Satam, Róbert Szabolcsi

Creative Commons License

Ovaj rad je pod Creative Commons Autorstvo 4.0 međunarodnom licencom.

Vojnotehnički glasnik omogućava otvoreni pristup i, u skladu sa preporukom CEON-a, primenjuje Creative Commons odredbe o autorskim pravima:

Autori koji objavljuju u Vojnotehničkom glasniku pristaju na sledeće uslove:

  1. Autori zadržavaju autorska prava i pružaju časopisu pravo prvog objavljivanja rada i licenciraju ga Creative Commons licencom koja omogućava drugima da dele rad uz uslov navođenja autorstva i izvornog objavljivanja u ovom časopisu.
  2. Autori mogu izraditi zasebne, ugovorne aranžmane za neekskluzivnu distribuciju rada objavljenog u časopisu (npr. postavljanje u institucionalni repozitorijum ili objavljivanje u knjizi), uz navođenje da je rad izvorno objavljen u ovom časopisu.
  3. Autorima je dozvoljeno i podstiču se da postave objavljeni rad onlajn (npr. u institucionalnom repozitorijumu ili na svojim internet stranicama) pre i tokom postupka prijave priloga, s obzirom da takav postupak može voditi produktivnoj razmeni ideja i ranijoj i većoj citiranosti objavljenog rada (up. Efekat otvorenog pristupa).