Šio darbo tikslas – ištirti ir įgyvendinti pažangius gilaus mokymosi algoritmus, konkrečiai – konvoliucinius neuroninius tinklus (CNN) ir transformatoriais pagrįstus modelius, skirtus miego stadijų klasifikavimui naudojant EEG (elektroencefalogramos) duomenis. Remiantis ankstesniu darbu su tradiciniais mašininio mokymosi metodais, tokiais kaip atraminių vektorių mašinos ir sprendimų medžiai, šio darbo tikslas – ištirti gilaus mokymosi potencialą klasifikavimo tikslumo ir patikimumo gerinimui.
Darbas apims: * Literatūros apžvalgą apie pažangiausius CNN ir transformatorių modelius, taikomus EEG duomenims. * Išankstinį apdorojimą ir požymių išskyrimą iš viešai prieinamų EEG duomenų rinkinių (pvz., išplėstinės „Sleep-EDF Database Expanded“ https://www.physionet.org/content/sleep-edfx/1.0.0/). * Gilaus mokymosi modelių, skirtų dviejų arba kelių klasių miego stadijų klasifikavimui, įdiegimą ir mokymą. * Modelio veikimo vertinimą naudojant standartines metrikas (tikslumą, F1 balą, painiavos matricą). * Programos (darbalaukio arba žiniatinklio pagrindu) sukūrimas, skirtas klasifikavimo sistemos demonstravimui realiuoju laiku arba paketiniu režimu.
Galutinis rezultatas apims ir rašytinį baigiamąjį darbą, ir funkcinį programos prototipą.
Preliminarūs literatūros šaltiniai ir aktualumas „Ziyujia“ „GitHub“ saugykla: miego stadijų klasifikavimo straipsniai https://github.com/ziyujia/Sleep-Stages-Classification-Papers Kuruojamas akademinių straipsnių ir miego stadijų klasifikavimo įrankių sąrašas. Tai vertingas šaltinis norint atrasti papildomus modelius, duomenų rinkinius ir išankstinio apdorojimo procesus.
Masad, I. S., Alqudah, A. ir Qazan, S. (2024). Automatinis miego stadijų klasifikavimas naudojant EEG signalus ir CNN https://doi.org/10.1371/journal.pone.0297582 Šiame tyrime naudojami daugiakanaliai EEG duomenys, transformuoti į laiko ir dažnio vaizdus, skirtus CNN pagrįstai klasifikacijai. Tai suteikia tvirtą pagrindą tik CNN pagrįstiems metodams ir pabrėžia išankstinio apdorojimo metodus.
Yao, Z. ir Liu, X. (2022). CNN-Transformatoriaus gilaus mokymosi modelis miego stadijų klasifikavimui realiuoju laiku https://doi.org/10.48550/arXiv.2211.13005 Šiame straipsnyje pristatomas hibridinis CNN-Transformatoriaus modelis, optimizuotas miego stadijų klasifikavimui realiuoju laiku mažos galios įrenginiuose. Tai labai svarbu norint suprasti, kaip sujungti erdvinių ir laikinių požymių išskyrimą EEG duomenyse.
The goal of this thesis is to investigate and implement advanced deep learning algorithms—specifically Convolutional Neural Networks (CNNs) and Transformer-based models—for the classification of sleep stages using EEG (electroencephalogram) data. Building upon prior work with traditional machine learning methods such as Support Vector Machines and Decision Trees, this thesis aims to explore the potential of deep learning to improve classification accuracy and robustness.
The work will involve: * A literature review of state-of-the-art CNN and Transformer models applied to EEG data. * Preprocessing and feature extraction from publicly available EEG datasets (e.g., Sleep-EDF Database Expanded https://www.physionet.org/content/sleep-edfx/1.0.0/ ). * Implementation and training of deep learning models for two-class or multi-class sleep stage classification. * Evaluation of model performance using standard metrics (accuracy, F1-score, confusion matrix). * Development of an application (desktop or web-based) to demonstrate the classification system in real-time or batch mode. The final deliverable will include both a written thesis and a functional prototype application.
Preliminary Literature Sources and Relevance Ziyujia’s GitHub Repository: Sleep Stages Classification Papers https://github.com/ziyujia/Sleep-Stages-Classification-Papers A curated list of academic papers and tools for sleep stage classification. This is a valuable resource for discovering additional models, datasets, and preprocessing pipelines.
Masad, I. S., Alqudah, A., & Qazan, S. (2024). Automatic Classification of Sleep Stages Using EEG Signals and CNNs https://doi.org/10.1371/journal.pone.0297582 This study uses multi-channel EEG data transformed into time-frequency images for CNN-based classification. It provides a strong baseline for CNN-only approaches and highlights preprocessing techniques.
Yao, Z., & Liu, X. (2022). A CNN-Transformer Deep Learning Model for Real-time Sleep Stage Classification https://doi.org/10.48550/arXiv.2211.13005 This paper presents a hybrid CNN-Transformer model optimized for real-time sleep stage classification on low-power devices. It is highly relevant for understanding how to combine spatial and temporal feature extraction in EEG data.
| Bakalauro kursinio darbo | | Bakalauro baigiamojo darbo |
| Paslaugų integracija (moderniųjų informacinių sistemų, paslaugų ar kitų išorinių komponentų integracija pagal taikymo sritį, architektūrinių sprendinių kūrimas bei tyrimai, įskaitant įvairių taikomųjų sričių signalų apdorojimo uždavinius) |
| Duomenų modeliavimas (reliacinių, struktūruotų ir nestruktūruotų duomenų modeliavimas, duomenų valdymo ir specializuotų duomenų bazių taikymai ir tyrimai) |
| Moderniosios interneto paslaugos (moderniųjų interneto paslaugų kūrimas ir jų tyrimai kontekstualizuotose aplinkose, pavyzdžiui, mobiliose, mikro servisuose) |