Resumen de Deep learning framework with enhanced interpretability for classification of motor imagery tasks
- español
El aprendizaje profundo (por sus siglas en inglés DL) permite que los modelos compuestos por múltiples capas de procesamiento aprendan representaciones de datos con varios niveles de abstracción. Estos métodos han mejorado tareas de vanguardia como el reconocimiento de voz, la identificación de objetos visuales y muchos otros campos. En cuanto al análisis de señales electroencefalográficas (EEG), especialmente para el paradigma de Imaginación Motora (por sus siglas en inglés MI), la disponibilidad de grandes conjuntos de datos y los avances en el aprendizaje automático han llevado al despliegue de arquitecturas DL, permitiendo la comprensión de la información que puede contener para la funcionalidad cerebral.
Sin embargo, estos modelos sufren algunas limitaciones en la práctica: i) a menudo los modelos DL no integran correctamente la información espacial de EEG con las características extraídas de tiempo-frecuencia, ii) la alta variabilidad inter e intra-sujeto resultante, junto con los pequeños conjuntos de datos disponibles, disminuye significativamente el rendimiento de los sistemas MI a partir de registros EEG, y iii) los modelos DL se tratan como “cajas negras ” que carecen de interpretabilidad fisiológica. En esta propuesta de tesis, pretendemos resolver estos problemas i) desarrollando una metodolog´ıa de aprendizaje Deep&Wide utilizando extracción de características de múltiples dominios, ii) proponiendo una estrategia de acoplamiento de información basada en el aprendizaje de transferencia que incluye los datos clínicos del sujeto, y iii) desarrollando una metodología de análisis de relevancia que permita mejorar la interpretabilidad de las respuestas neuronales. La metodología detallada y su respectivo plan de ejecución (cronograma) para llevar a cabo estos objetivos de describe más adelante. Además, se reportan los recursos computacionales disponibles y necesarios para la implementación de esta propuesta.
- English
Deep learning (DL) allows models composed of multiple processing layers to learn representations of data with several levels of abstraction. These methods have improved state-of-the-art tasks like speech recognition, visual object identification, and many other fields. Regarding electroencephalographic (EEG) signals analysis, especially for the Motor Imagery (MI) paradigm, the availability of large data sets and advances in machine learning have led to the deployment of DL architectures, allowing the understanding of the information that may contain for brain functionality. However, these models suffer some limitations in practice:
i) often DL models not integrate properly EEG spatial information with extracted time-frequency features, ii) the resulting inter and intra-subject variability, along with frequently available small datasets, significantly decreases the performance of EEG-based MI systems, and iii) DL models are treated as “black boxes” lacking physiological interpretability. In this Ph.D. thesis proposal, we pretend to solve these issues i) developing a Deep&Wide learning methodology using multi-view feature extraction, ii) proposing a coupling information strategy based on transfer learning including subject’s clinical data, and iii) developing a relevance analysis methodology that allows improving the interpretability of neural responses.
The detailed methodology and its respective execution plan (schedule) to carry out these objectives are further described. In addition, we list the available computational resources necessary for the proposed implementation (Texto tomado de la fuente)
