LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект) — различия между версиями
(Новая страница, с помощью формы Новый_командный_проект) |
|||
| Строка 1: | Строка 1: | ||
{{Карточка_командного_проекта | {{Карточка_командного_проекта | ||
|name=Использование глубинных сетей для анализа эмоций по ЭЭГ | |name=Использование глубинных сетей для анализа эмоций по ЭЭГ | ||
| − | |company= | + | |company=ВШЭ |
|semester=Осень 2017 | |semester=Осень 2017 | ||
|course=3 | |course=3 | ||
| − | |number_of_students= | + | |number_of_students=15 |
|categorize=yes | |categorize=yes | ||
}} | }} | ||
| Строка 10: | Строка 10: | ||
=== Что это за проект? === | === Что это за проект? === | ||
Получение оптимального с некоторой точки зрения энкодера многоканальных ЭЭГ сигналов, сопоставление результатов сверточных сетей с результатми, получаемыми при помощи Optimal Wavelet Packet analysis, применение полученного словаря к задаче декодирования состояний в идеомоторном интерфейсе с испльзование технологии transfer learning | Получение оптимального с некоторой точки зрения энкодера многоканальных ЭЭГ сигналов, сопоставление результатов сверточных сетей с результатми, получаемыми при помощи Optimal Wavelet Packet analysis, применение полученного словаря к задаче декодирования состояний в идеомоторном интерфейсе с испльзование технологии transfer learning | ||
| − | |||
| − | |||
| − | |||
| − | |||
=== Чему научатся студенты? Что самое интересное в проекте? === | === Чему научатся студенты? Что самое интересное в проекте? === | ||
| − | + | командной работе над data science задачами на примере задачи из нейроинформатики | |
=== Организация работы (Как студенты будут работать в команде?) === | === Организация работы (Как студенты будут работать в команде?) === | ||
| − | + | agile research & citizen science | |
=== Компоненеты (Из каких частей состоит проект?) === | === Компоненеты (Из каких частей состоит проект?) === | ||
| − | подготовка данных для дальнейшего анализа, приведение к единому формату | + | 0. подготовка данных для дальнейшего анализа, приведение к единому формату |
1. Разложение на вейвлеты базиса при помощи WPT анализа и построение автоэнкодера временной динамики (без учета пространственной структуры), сопоставление с оптимальным базисом, построенным с использованием энтропийного критерия и Wavelet Packet Tree (WPT) decomposition | 1. Разложение на вейвлеты базиса при помощи WPT анализа и построение автоэнкодера временной динамики (без учета пространственной структуры), сопоставление с оптимальным базисом, построенным с использованием энтропийного критерия и Wavelet Packet Tree (WPT) decomposition | ||
| Строка 36: | Строка 32: | ||
=== Какие будут использоваться технологии? === | === Какие будут использоваться технологии? === | ||
| − | + | keras, tensorflow, convolutional neural networks, reinforcement learning | |
=== Какие начальные требования? === | === Какие начальные требования? === | ||
| − | + | умение обучать нейросетки на tensorflow | |
=== Темы вводных занятий === | === Темы вводных занятий === | ||
| Строка 48: | Строка 44: | ||
=== Похожие проекты === | === Похожие проекты === | ||
| − | + | http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект) | |
=== Контактная информация === | === Контактная информация === | ||
| − | + | * Алина Денисова | |
| + | * Андрей Устюжанин | ||
| + | * Алексей Осадчий | ||
Версия 19:17, 13 октября 2017
| Компания | ВШЭ |
| Учебный семестр | Осень 2017 |
| Учебный курс | 3-й курс |
| Максимальное количество студентов, выбравших проект: 15 | |
Содержание
| |
Что это за проект?
Получение оптимального с некоторой точки зрения энкодера многоканальных ЭЭГ сигналов, сопоставление результатов сверточных сетей с результатми, получаемыми при помощи Optimal Wavelet Packet analysis, применение полученного словаря к задаче декодирования состояний в идеомоторном интерфейсе с испльзование технологии transfer learning
Чему научатся студенты? Что самое интересное в проекте?
командной работе над data science задачами на примере задачи из нейроинформатики
Организация работы (Как студенты будут работать в команде?)
agile research & citizen science
Компоненеты (Из каких частей состоит проект?)
0. подготовка данных для дальнейшего анализа, приведение к единому формату
1. Разложение на вейвлеты базиса при помощи WPT анализа и построение автоэнкодера временной динамики (без учета пространственной структуры), сопоставление с оптимальным базисом, построенным с использованием энтропийного критерия и Wavelet Packet Tree (WPT) decomposition
2. Использование сверточных (вместо вэйвлетов) сетей как фронт-энда автоэнкодера и сопоставление частотных характеристик выученных сверток с частотными характеристиками базисных векторов энтропийного WPT базиса и выученной в (пункте 1) комбинации вэйвлет компонент оценка качества разложения
3. 1 и 2 с учетом пространственной структуры ЭЭГ
4. 3 , но на основе результатов решения обратной задачи , т.е. используя не активнось сенсоров, а активность источников на коре, оценненных при пмощи методоики решения ОЗ ЭЭГ.
5. Во всех пунктах возможны варианты используемых архитектур ГУ
Какие будут использоваться технологии?
keras, tensorflow, convolutional neural networks, reinforcement learning
Какие начальные требования?
умение обучать нейросетки на tensorflow
Темы вводных занятий
TBA
Критерии оценки
TBA
Похожие проекты
http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)
Контактная информация
- Алина Денисова
- Андрей Устюжанин
- Алексей Осадчий
