LAMBDA: Использование глубинных сетей для анализа эмоций по ЭЭГ (командный проект) — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
м
м
Строка 53: Строка 53:
 
* Алина Денисова
 
* Алина Денисова
 
*  
 
*  
[[Файл:Telegram ico.png|мини]] Андрей Устюжанин  
+
[[Файл:Telegram_ico.png|мини]] Андрей Устюжанин  
 
* Алексей Осадчий
 
* Алексей Осадчий

Версия 01:14, 14 октября 2017

Компания ВШЭ
Учебный семестр Осень 2017
Учебный курс 3-й курс
Максимальное количество студентов, выбравших проект: 15



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

https://www.dropbox.com/s/t5sapzkq8b7uwid/HSE_3B_projects.pdf?dl=0 https://arxiv.org/pdf/1709.08820.pdf

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 методики решения ОЗ ЭЭГ.

5. Во всех пунктах возможны различные варианты используемых архитектур нейросетей

Какие будут использоваться технологии?

keras, tensorflow, convolutional neural networks, reinforcement learning

Какие начальные требования?

умение обучать нейросетки на tensorflow

Темы вводных занятий

Нейросети, Wavelet analysis, CNN, RNN, RCNN

Критерии оценки

TBA

Похожие проекты

http://wiki.cs.hse.ru/Идентификация_частиц_в_LHCb_(командный_проект)


Контактная информация

  • Алина Денисова
Telegram ico.png
Андрей Устюжанин
  • Алексей Осадчий