МЕТОДОЛОГІЯ КЛАСИФІКАЦІЇ МАГНІТОЕНЦЕФАЛОГРАФІЧНИХ СИГНАЛІВ ІЗ ВИКОРИСТАННЯМ НАПІВКЕРОВАНОГО НАВЧАННЯ

Анотація

Магнітоенцефалографія (МЕГ) — це неінвазивний метод дослідження мозку з високою часовою та просторовою роздільною здатністю, що робить його цінним інструментом для створення інтерфейсів мозок-комп'ютер (ІМК). На відміну від електроенцефалограми, МЕГ-сигнал менше спотворюється тканинами голови, забезпечуючи точніше визначення активних зон мозку. Для декодування сигналів МЕГ в ІМК застосовують різні методи машинного навчання, постійний розвиток яких сприяє підвищенню ефективності ІМК та розширенню їх застосування в медицині, реабілітації та інших галузях.

У даній роботі запропоновано методологію напівкерованої класифікації МЕГ-сигналів за допомогою моделі кодер-декодер та кластеризації. Цей підхід дозволяє використовувати нерозмічені дані для виявлення прихованих структур та покращення точності класифікації в інтерфейсах мозок-комп'ютер, що є важливим з огляду на обмежений обсяг доступних розмічених даних МЕГ. Методологія включає вибір архітектури моделі, конфігурацію кодера та декодера, кластеризацію сигналів, розширення розмічених даних та класифікацію з використанням макро-усередненої F1-міри як критерію оцінки.

Запропонована методологія надає перспективну основу для подальших досліджень у сфері інтерфейсів мозок-комп'ютер. Завдяки ефективному використанню нерозмічених даних МЕГ, вона може бути застосована до різних сценаріїв, де марковані дані є обмеженими або дорогими для отримання. Це може призвести до розробки точніших та надійніших ІМК для ширшого спектру застосувань, включаючи відновлення рухових функцій, когнітивне покращення та комунікаційну допомогу людям з обмеженими можливостями.