Στοιχεία επιβλεπόντων καθηγητών:
Ειρήνη Σκαλιώρα, Καθηγήτρια, Ιστορίας και Φιλοσοφίας της Επιστήμης, ΕΚΠΑ
Ιζαμπώ Καράλη, Επίκουρη Καθηγήτρια, Πληροφορικής και Τηλεπικοινωνιών, ΕΚΠΑ
Περίληψη:
Στη Νευροεπιστήμη, η μελέτη σύνθετων γνωστικών λειτουργιών, όπως η προσαρμογή εστίασης, ο έλεγχος των κινήσεων ή η βραχυπρόθεσμη μνήμη, βασίζεται στην κατανόηση της δυναμικής του κυκλώματος που υπόκειται των νευρικών συστημάτων. Οι ερευνητές πρέπει να παρακολουθούν και να ταξινομούν γεγονότα δικτύου σε συγχρονισμένη εγκεφαλική δραστηριότητα, που χαρακτηρίζεται από εναλλασσόμενες εποχές μαζικής επίμονης δραστηριότητας δικτύου και περιόδους γενικευμένης νευρικής σιωπής, το οποίο αποτελεί ένα κουραστικό έργο, όταν εκτελείται από έναν ανθρώπινο εμπειρογνώμονα. Μια δημοφιλής μέθοδος για την καταγραφή δραστηριότητας δικτύου είναι το Δυναμικό Τοπικού Πεδίου (LFP), καθώς επιτρέπει σταθερές εγγραφές, μεγάλης διάρκειας, από πολλαπλές τοποθεσίες.
Στην επιστήμη των υπολογιστών, οι τεχνολογικές εξελίξεις στα εξαρτήματα υπολογιστών σε συνδυασμό με την αφθονία των μεγάλης-κλίμακας βάσεων δεδομένων, τα τελευταία χρόνια έχουν οδηγήσει στη ραγδαία εξέλιξη των Βαθέων Νευρωνικών Δικτύων (DNN), ένα ισχυρό υπολογιστικό μοντέλο που χρησιμοποιείται από τις μεθόδους Βαθιάς Μάθησης, το οποίο έχει προσεγγίσει ή ακόμα και ξεπεράσει την απόδοση του ανθρώπου σε διάφορες εργασίες που βασίζονται στην αναγνώριση προτύπων, όπως η αναγνώριση ομιλίας και η ιατρική διάγνωση.
Σε αυτή τη διατριβή, διερευνούμε αν οι μέθοδοι Βαθιάς Μάθησης μπορούν να ενισχύσουν την ακρίβεια του προσδιορισμού του χρονισμού και της διάρκειας των γεγονότων δικτύου σε νευρικά συστήματα, επεξεργαζόμενοι στο-γυαλί LFP γεγονότα. Συγκεκριμένα, εφαρμόζουμε μια παραλλαγή του ανιχνευτή γεγονότων Dreem One Shot Event (DOSED), μια βαθιάς μάθησης προσέγγιση, που προβλέπει ταυτόχρονα τις θέσεις, τις διάρκειες και τους τύπους συμβάντων στις χρονοσειρές του EEG. Στην προσέγγισή μας, η είσοδος στο δίκτυο είναι μια χρονική σειρά LFP. Στη συνέχεια, συγκρίνουμε την απόδοση αυτής της μεθόδου με τον LFPAnalyzer, ο οποίος βασίζεται στην εφαρμογή καθιερωμένων προσεγγίσεων επεξεργασίας σήματος και μη βαθιάς μηχανικής μάθησης, μιας μεθόδου που έχει ήδη αποδειχθεί ότι έχει καλύτερη απόδοση από την ημι-χειρωνακτική ανάλυση. Και οι δύο μέθοδοι είναι πλήρως αυτοματοποιημένες και εξαρτώνται αποκλειστικά από δεδομένα.
Λέξεις-κλειδιά:
LFP, νευρωνικά δίκτυα, βαθιά μάθηση, κατηγοριοποίηση, ανίχνευση αντικειμένου
