Predikce rychlosti a absolutni rychlosti pohybu z lidských intrakraniálních EEG dat pomocí hlubokých neuronových sítí.

Abstract

Lidský mozek řídí činnosti našeho těla včetně pohybů rukou. V této diplo- mové práci jsme se snažili porozumět tomu, jak je informace o pohybu rukou zakódovaná do elektrické aktivity mozku a jak lze tuto aktivitu použít při predikování rychlosti a absolutní rychlosti pohybu rukou. Pomocí osvědčené hluboké neuronové sítě (Deep4Net), používané k dekódování signálů z EEG, jsme dekódovali rychlost a absolutní rychlost pohybů rukou z intrakraniálního EEG. Úspěšně jsme dosáhli očekávaných hodnot korelace mezi predikovanými a skutečnými proměnnými. Zároveň jsme stanovili vliv amplitud vlnových pásem v různých frekvencích na predikce této sítě. Zjistili jsme, že vliv mod- ulací ve vlnovém pásmu high-gamma je menší, než se očekávalo na základě předchozích studií. Současně jsme identifikovali dvě možné úpravy architek- tury Deep4Net, které mohou vést k lepším predikčním schopnostem. Zaprvé jsme odhalili, že odstraněním max-poolingových vrstev lze dosáhnout stati- sticky signifikantně lepších korelačních koeficientů. Zadruhé jsme objevili, že nerovnoměrné receptivní pole této sítě způsobuje, že se více soustřeďuje na méně relevantní informace, což představuje nevýhodu. 1

Our brain controls the processes of the body including movement. In this thesis, we try to understand how the information about hand movement is encoded into the brain's electrical activity and how this activity can be used to predict the velocity and absolute velocity of hand movements. Using a well-established deep neural network architecture for EEG decoding - the Deep4Net - we predict hand movement velocity and absolute velocity from intracranial EEG signals. While reaching the expected performance level, we determine the influence of different frequency bands on the network's prediction. We find that modulations in the high-gamma frequency band are less informative than expected based on previous studies. We also identify two architectural modifications which lead to higher performances. 1. the removal of max-pooling layers in the architecture leads to significantly higher correlations. 2. the non-uniform receptive field of the network is a potential drawback making the network biased towards less relevant information. 1