Název:
Optimalizace architektury neuronových sítí pro zpracování EEG pomocí evolučních algoritmů
Překlad názvu:
Optimizing neural network architecture for EEG processing using evolutionary algorithms
Autoři:
Pijáčková, Kristýna ; Maršálek, Roman (oponent) ; Götthans, Tomáš (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2023
Jazyk:
eng
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [eng][cze]
Tato práce se zabývá optimalizací hyperparametrů neuronových sítí pro zpracování EEG signálu pomocí evolučních algoritmů. Využití evolučních optimalizace může snížit závislost na lidské intuici a empirických znalostech při návrhu neuronové sítě a může tak zefektivnit návrh neuronové sítě. V této práci byl navržen genetický algoritmus, který je vhodný pro optimalizaci hyperparametrů i pro hledání neuronové architektury. Tyto metody byly porovnány s referenčním modelem navrženým inženýrem s expertýzou v této oblasti. Data použitá v této práci jsou rozdělena do čtyř kategorií a pocházejí z Fakultní nemocnice svaté Anny v Brně (SAUH) a Mayo kliniky (MAYO) a obsahují iEEG záznamy u pacienta s epilepsií rezistentní na léky, který podstupuje předoperační vyšetření. Metoda hledání neuronové architektury dosáhla výsledků srovnatelných s referenčním modelem. Optimalizovaný model zlepšil F1 skóre oproti originálnímu, empiricky navrženému modelu z 0.9076 na 0.9673 pro data z SAUH a 0.9222 na 0.9400 pro data z Mayo kliniky. Ke zvýšenému skóre přispěla hlavně zvýšená přesnost klasifikace patologických událostí a šumu, která může mít dále pozitivní vliv v aplikacích tohoto modelu v detektoru záchvatů a šumu.
This thesis deals with an optimization of neural network hyperparameters for EEG signal processing using evolutionary algorithms. The incorporation of evolutionary optimization can reduce reliance on human intuition and empirical knowledge when designing neural network and can thus make the process design more effective. In this work, a genetic algorithm was proposed that is suitable for hyperparameters optimization as well as neural architecture search. These methods were compared to a benchmark model designed by an engineer with expertise in iEEG processing. Data used in this work are classified into four categories and come from St. Anne's University Hospital (SAUH) and Mayo Clinic (MAYO) and were recorded on drug-resistant epileptic patients undergoing pre-surgical examination. The results of the neural architecture search method were comparable with the benchmark model. The hyperparameter optimization improved the F1 score over the original, empirically designed, model from 0.9076 to 0.9673 for the SAUH data and 0.9222 to 0.9400 for the Mayo Clinic data. The increased scores were mainly due to the increased accuracy of the classification of pathological events and noise, which may have further positive implications in applications of this model in seizure and noise detectors.
Klíčová slova:
deep learning; epilepsy; evolutionary algorithms; genetic algorithm; hyperparameter optimization; iEEG; neural architecture search; Neural network; optimization; deep learning; epilepsie; evoluční algoritmy; genetický algoritmus; hledání neuronové architektury; iEEG; Neuronová síť; optimalizace hyperparametrů; optimizace
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/209980