bruce Anane
L’équipe de recherche dirigée par le professeur Sanghyun Park de la DGIST a contribué à la réalisation de services d’intelligence artificielle médicale en développant un modèle d’apprentissage profond pour la classification des ondes cérébrales.
– L’équipe de recherche dirigée par le professeur Sanghyun Park de la DGIST a développé une technologie d’apprentissage profond capable de classer avec précision les ondes cérébrales d’un sujet en utilisant seulement une petite quantité de données.
– Contribue de manière significative à l’amélioration de l’utilisation des modèles d’apprentissage profond, qui nécessitent une grande quantité de données provenant des sujets pour classer les ondes cérébrales
– Les résultats de la recherche ont été publiés dans IEEE Transactions on Neural Networks and Learning Systems, une revue académique de renommée mondiale dans le domaine de l’intelligence artificielle.
L’équipe de recherche dirigée par le professeur Sanghyun Park du Département de robotique et de génie mécanique de la DGIST (président Kuk Yang) a annoncé avoir développé un modèle d’apprentissage en quelques étapes capable de classer avec précision les ondes cérébrales en utilisant une petite quantité d’informations. Une grande quantité de données sur les ondes cérébrales[1] la collecte auprès de sujets cibles est nécessaire pour classer les nouvelles ondes cérébrales à l’aide des modèles d’apprentissage profond existants ; Cependant, le modèle d’apprentissage profond récemment développé peut classer avec précision les ondes cérébrales même avec une petite quantité de données, ce qui pourrait contribuer aux futures recherches sur les ondes cérébrales.
Les données sur les ondes cérébrales varient considérablement d’une personne à l’autre. La distribution des ondes cérébrales varie en fonction de l’interprète, même lorsque la même tâche est exécutée ; par conséquent, la plupart des modèles de classification existants collectent les données des artistes et les étiquetent pour les utiliser à des fins de formation, en se concentrant uniquement sur la classification intra-sujet. Par conséquent, les ondes cérébrales d’une personne n’ayant pas participé à la formation n’ont pas pu être classées à l’aide de tels modèles de classification.
Pour surmonter cet inconvénient, des recherches ont été activement menées sur les modèles « d’adaptation de domaine » dans lesquels des modèles d’apprentissage profond sont utilisés pour déduire les signaux des ondes cérébrales d’un sujet cible ; Cependant, le problème demeure : les modèles ne peuvent pas être facilement appliqués à de nouveaux sujets car ils doivent également apprendre les données sur les ondes cérébrales de ces sujets. En outre, d’autres études sont en cours sur l’optimisation des modèles d’apprentissage par transfert dans lesquels les données sur les ondes cérébrales collectées auprès de plusieurs individus sont entraînées, mais leur utilisation est assez faible car une grande quantité de données sur les ondes cérébrales est encore nécessaire.
L’équipe de recherche dirigée par le professeur Park a ensuite développé un nouveau modèle d’apprentissage profond capable de classer avec précision les ondes cérébrales en fonction des caractéristiques des ondes cérébrales de chaque sujet lorsque la vérité fondamentale d’une petite quantité de données est constituée d’ondes cérébrales obtenues auprès de sujets cibles. Pour apprendre efficacement la relation entre une petite quantité de données et les ondes cérébrales restantes, les caractéristiques significatives sont d’abord extraites des données des ondes cérébrales à l’aide du module d’intégration.[2]puis le module d’attention temporelle[3] il est utilisé pour mettre en évidence les fonctionnalités importantes des fonctionnalités extraites tout en réduisant le bruit inutile.
Ensuite, le module focus agrégation[4] il est utilisé pour trouver uniquement des données importantes à partir des données d’ondes cérébrales fournies afin d’identifier les caractéristiques de l’intention du sujet cible telles que représentées dans les ondes cérébrales. Enfin, le formulaire de rapport[5] il est utilisé pour calculer la relation entre les caractéristiques des ondes cérébrales et les vecteurs. En outre, une technologie de réglage fin de la classification des ondes cérébrales a été développée pour garantir que les ondes cérébrales sont classées avec précision grâce à l’optimisation.
Le modèle d’apprentissage profond nouvellement développé par l’équipe de recherche a montré une précision de classification allant jusqu’à 76 % pour l’intention d’un sujet cible en utilisant 20 points de données d’ondes cérébrales dans la classification intersujet. Considérant que la précision des méthodes proposées précédemment (classification intra-sujet, apprentissage par transfert et autres méthodes d’apprentissage en quelques étapes) est de 64 à 73 %, le modèle nouvellement développé a démontré des performances supérieures.
Le professeur Park a déclaré : « Le modèle d’apprentissage profond de classification des ondes cérébrales développé dans cette étude est capable de classer avec précision les ondes cérébrales avec seulement une petite quantité d’informations, sans avoir à créer de nouvelles données d’apprentissage à partir des sujets et, par conséquent, devrait contribuer à d’autres recherches connexes sur les ondes cérébrales qui nécessitent une individualisation. Il a ajouté : « Notre technologie sera encore améliorée pour être utilisée de manière plus universelle dans diverses analyses de biosignaux. »
Cette recherche a été soutenue par le « Projet de développement d’une plateforme intégrée de mégadonnées intelligente pour les services personnalisés de gestion de la santé des agents de police » de l’Agence nationale de police coréenne et le « Projet de commercialisation de la technologie d’échange multisensoriel immersif par robot humain » de la DGIST. Les résultats ont été publiés dans IEEE Transactions on Neural Networks and Learning Systems, une revue universitaire de renommée mondiale dans le domaine de l’intelligence artificielle.
Article original: Un modèle d’apprentissage profond pour la classification des ondes cérébrales
Plus de: Institut des sciences et technologies de Daegu Gyeongbuk
