С 17 марта 2020 г. для ресурсов (учебные, научные, материалы конференций, статьи из периодических изданий, авторефераты диссертаций, диссертации) ЭБ СПбПУ, обеспечивающих образовательный процесс, установлен особый режим использования. Обращаем внимание, что ВКР/НД не относятся к этой категории.

Details

Title: Разработка алгоритмов машинного обучения для проектирования нейроинтерфейсов: выпускная квалификационная работа магистра: 09.04.01 - Информатика и вычислительная техника ; 09.04.01_17 - Интеллектуальные системы (международная образовательная программа на иностранном языке)
Creators: Топчу Мухаммед Энес
Scientific adviser: Потехин Вячеслав Витальевич
Other creators: Киселева Людмила Анатольевна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2019
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: Нейронные сети; Интерфейсы; Искусственный интеллект; нейро-компьютерные интерфейсы; методы искусственного интеллекта; машинное обучение; метод глубокого обучения свёрточной нейронной сети
UDC: 004.382.032.26:004.5(043.3); 004.85(043.3)
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 09.04.01
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2019/vr/vr19-1075
Rights: Свободный доступ из сети Интернет (чтение, печать, копирование)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Нейро-компьютерные интерфейсы и их приложения становятся все более популярными с годами. Исследования по этой теме обширны, и они связаны с методами искусственного интеллекта, что способствует повышению точности и надежности работы этих интерфейсов. Данная работа исследует проблемы классификации, связанной с нейро-компьютерными интерфейсами. Цель работы состоит в том, чтобы правильно классифицировать движения конечностей человека, а затем контролировать нужные устройства с помощью указанной классификации. Методы машинного обучения, такие как машины опорных векторов, линейная и логистическая регрессия и нейронные сети с прямой связью, сначала воспринимаются сигналам мозга из доступных онлайновых баз данных, а затем проверяются на программно-аппаратных реализациях. Наконец, метод глубокого обучения сверточной нейронной сети используется и сравнивается с традиционными упомянутыми методами машинного обучения. В целом, согласно полученным результатам в данной работе указывается, что методы машинного обучения все еще актуальны по сравнению с методами глубокого обучения в отношении нейро-компьютерных интерфейсов.

Brain computer interfaces and its applications are becoming more popular as the passing years. The research on the topic is vast and it is being entangled with artificial intelligence methods to improve accuracy and reliability of these interfaces. This thesis explores the classification problems related to the brain computer interfaces. The idea is to correctly classify limb movements of a human and then control the desired devices with said classification. The machine learning methods such as support vector machines, linear and logistic regression, and feed forward neural networks are first trained on brain signals from available online databases then secondly tested on software and hardware implementations. Finally, a deep learning method of convolutional neural network is used and compared against traditional said machine learning methods. Overall, the thesis proposes from results that machine learning methods are still viable versus deep learning methods in regards to brain computer interfaces.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
Internet Authorized users Read Print Download
-> Internet Anonymous

Table of Contents

  • first_4_pages_2.pdf (p.1-4)
  • master_thesis_spb_final.pdf (p.5-100)

Usage statistics

stat Access count: 63
Last 30 days: 0
Detailed usage statistics