21.07.2024
Подписывайтесь на Telegram-канал по ссылке

Машинное обучение поможет проанализировать нейрофизиологические данные

Neurophysiological data ML

Российские учёные представили новое семейство архитектур моделей машинного обучения с применением графовых нейронных сетей, которое обещает значительно улучшить возможности интерпретации и обобщения при анализе сложных многомерных временных рядов, а также привлечь к анализу дополнительную метрическую информацию из предметной области. Результаты исследования были представлены в рамках Всероссийской конференции «Математические методы распознавания образов» (ММРО-2023).

Учёные формализировали задачи идентификации функциональных паттернов в многомерных временных рядах с использованием методов машинного обучения, что позволяет избежать необходимости специфического исследования в области. Предложенная архитектура учитывает пространственные метаданные, кодируя исходные позиции электродов как граф для передачи в соответствующую модель. Этот метод был успешно применён в нейрофизиологии: модель самостоятельно справилась с теми случаями, где нейрофизиологам уже известен функциональный паттерн P300. Кроме того, этот подход был применён к распознаванию эмоций с использованием набора данных SEED, достигнув высоких результатов.

Одним из ключевых аспектов метода является использование графа, построенного по внешней метрической информации, что оказало значительное влияние на эффективность алгоритма. В будущем планируется расширить метод на другие области, такие как данные от сенсоров на производственных линиях или банковские транзакции. Исследование охватывает анализ наборов данных, собранных с использованием метода эксперимента «одиночный стимул», широко используемого в психологических и нейрофизиологических исследованиях. Набор данных BCI competition был использован для дополнительной проверки архитектуры, достигнув впечатляющих результатов с различными моделями машинного обучения. Кроме того, набор данных SEED был использован для задач распознавания эмоций, демонстрируя гибкость и эффективность метода.

В отличие от недавних подходов, игнорирующих физическую структуру интерфейсов BCI, этот метод подчёркивает создание плотного графа, представляющего фактическую форму устройства записи. Исследованы различные методы построения графов и показано, что новый метод значимо влияет на результаты. Предложенная архитектура модели состоит из блоков пространственной и временной обработки, а также блока предсказания, с акцентом на возможности графовых свёрточных сетей. Интеграция графовых свёрточных сетей позволила достичь улучшения качества работы модели на данных ЭЭГ и конкурентоспособных уровней точности на стандартных наборах данных.