Please use this identifier to cite or link to this item:
https://hdl.handle.net/10316/103171
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Simões, Marco António Machado | - |
dc.contributor.author | Nogueira, João Pedro Amaral | - |
dc.date.accessioned | 2022-10-17T22:05:19Z | - |
dc.date.available | 2022-10-17T22:05:19Z | - |
dc.date.issued | 2022-09-26 | - |
dc.date.submitted | 2022-10-17 | - |
dc.identifier.uri | https://hdl.handle.net/10316/103171 | - |
dc.description | Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia | - |
dc.description.abstract | As interfaces cérebro-computador têm uma ampla gama de aplicações, principalmente na área médica, onde há um enorme potencial de melhoria de vida para pacientes com condições como amputados ou paralisados, tornando-se assim, um campo popular para pesquisas.As abordagens de Deep Learning na classificação de sinais de eletroencefalografia (EEG) mostraram melhorias na precisão, aumentando a qualidade dos BCIs, mas, devido à alta variabilidade inter e intra-sujeitos dos sinais cerebrais, além da falta de conjuntos de dados grandes o suficiente disponíveis, esses métodos são difíceis de implementar ou muito demorados para calibrar.Uma maneira de superar essas restrições é usar técnicas de Transfer Learning na classificação de EEG. Estes consistem em transferir conhecimento usando pesos pré-treinados de um domínio relacionado como ponto de partida do treinamento na criação de um novo modelo de outro domínio.Nesta tese, o objetivo principal é explorar técnicas de Transfer Learning em Potenciais Relacionados a Eventos do P300. Isso é feito replicando e continuando um estudo anteriormente feito, usando um classificador P300 de Rede Neuronal Convolucional de última geração e experimentando diferentes métodos de Transfer Learning em diferentes conjuntos de dados P300.Os resultados obtidos mostraram um aumento de 0,03 F-score ao usar a interpolação esférica como método para resolver problemas de canais inexistentes. O uso de diferentes abordagens de Transfer Learning não mostrou melhorias em um dos conjunto de dados usados devido à alta disparidade de sinal e um aumento de 0,026 no F-score ao usar pesos pré-treinados como inicialização do modelo e congelar a primeira camada convolucional durante o treino num conjunto de dados mais semelhante. | por |
dc.description.abstract | Brain-Computer Interfaces (BCIs) have a wide range of applications, particularly, in the medical field, where there is a huge potential for life improvement for patients with conditions like amputees or paralyzes making it a popular field of research.Deep Learning approaches on electroencephalography (EEG) signal classification have shown improvements in accuracy, increasing BCIs' quality, but, due to high inter- and intra-subject variability of brain signals, in addition to the lack of large enough datasets available, these methods are hard to implement or very time-consuming to calibrate.One way of overcoming these constraints is by using Transfer Learning techniques in EEG classification. These consist on transferring knowledge by using pre-trained weights from one related domain as the training starting point on the creation of a new model of another domain.In this thesis, the main goal is to explore Transfer Learning techniques in P300 Event-related Potentials. This is done by replicating and continuing a previous existent study, using a state-of-the-art Convolutional Neural Network P300 classifier and experimenting with different Transfer Learning methods on different P300 datasets.The results showed a positive outcome with an increase of 0.03 F-score when using spherical spline interpolation as a method to solve missing channels problems. The use of different Transfer Learning approaches showed no improvements on one dataset due to high signal disparity, and a 0.026 increase in F-score when using pre-trained weights as model initialization and freezing the first convolutional layer during training on a more similar dataset. | eng |
dc.language.iso | eng | - |
dc.rights | openAccess | - |
dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | - |
dc.subject | Interface Cérebro-Computador | por |
dc.subject | P300 | por |
dc.subject | Sinal de Eletroencefalografia | por |
dc.subject | Transferência de Aprendizagem | por |
dc.subject | Rede Neuronal Convolucional | por |
dc.subject | Brain-Computer Interface | eng |
dc.subject | P300 | eng |
dc.subject | Electroencephalography Signal | eng |
dc.subject | Transfer Learning | eng |
dc.subject | Convolutional Neural Networks | eng |
dc.title | Exploring transfer learning techniques for P300-based Brain Computer Interfaces | eng |
dc.title.alternative | Exploração de técnicas de Transfer Learning para Interfaces de Cérebro-Computador baseadas em P300 | por |
dc.type | masterThesis | - |
degois.publication.location | DEI - FCTUC | - |
degois.publication.title | Exploring transfer learning techniques for P300-based Brain Computer Interfaces | eng |
dc.peerreviewed | yes | - |
dc.identifier.tid | 203077911 | - |
thesis.degree.discipline | Informática | - |
thesis.degree.grantor | Universidade de Coimbra | - |
thesis.degree.level | 1 | - |
thesis.degree.name | Mestrado em Engenharia Informática | - |
uc.degree.grantorUnit | Faculdade de Ciências e Tecnologia - Departamento de Engenharia Informática | - |
uc.degree.grantorID | 0500 | - |
uc.contributor.author | Nogueira, João Pedro Amaral::0000-0002-6549-6321 | - |
uc.degree.classification | 16 | - |
uc.degree.presidentejuri | Marcelino, Maria José Patrício | - |
uc.degree.elementojuri | Henriques, Jorge Manuel Oliveira | - |
uc.degree.elementojuri | Simões, Marco António Machado | - |
uc.contributor.advisor | Simões, Marco António Machado::0000-0003-3713-2464 | - |
item.openairetype | masterThesis | - |
item.fulltext | Com Texto completo | - |
item.languageiso639-1 | en | - |
item.grantfulltext | open | - |
item.cerifentitytype | Publications | - |
item.openairecristype | http://purl.org/coar/resource_type/c_18cf | - |
Appears in Collections: | UC - Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
MSc_Dissertation__João_Nogueira.pdf | 5.98 MB | Adobe PDF | View/Open |
Page view(s)
116
checked on Jul 16, 2024
Download(s)
81
checked on Jul 16, 2024
Google ScholarTM
Check
This item is licensed under a Creative Commons License