การเรียนรู้เชิงลึกสำหรับการติดต่อกันโดยตรงระหว่างสมองกับคอมพิวเตอร์

Deep learning for brain computer interface

Name: ปิยะวัฒน์ แสงเพชร

keyword: เอฟเอ็มอาร์ไอ

ThaSH: สมอง -- การสร้างภาพด้วยแมกเนติกเรโซแนนซ์

; บีซีไอ

ThaSH: เครือข่ายเชิงความหมาย (ทฤษฎีสารสนเทศ)

ThaSH: การวิเคราะห์ข้อมูลภาพ

ThaSH: นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)

ThaSH: ปัญญาประดิษฐ์ -- โปรแกรมคอมพิวเตอร์

Abstract: การเชื่อมประสานระหว่างคอมพิวเตอร์และสมองมนุษย์หรือบีซีไอซึ่งได้จากข้อมูลภาพสแกนสมองเอฟเอ็มอาร์ไอซึ่งจะบันทึกกิจกรรมสมองแบบไร้การสัมผัสในรูปแบบของภาพที่มีความละเอียดสูงแตกต่างจากระบบเอฟเอ็มอาร์ไอทั่วไป ระบบเชื่อมประสานระหว่างคอมพิวเตอร์และสมองด้วยเอฟเอ็มอาร์ไปต้องการวิธีการถอดรหัสรูปแบบภาพสมองเพื่อให้เอาท์พุตที่ถูกต้อง งานวิจัยที่ผ่านมามุ่งเน้นการสร้างแบบจำลองถอดรหัสเอฟเอ็มอาร์ไอโดยการสกัดลักษณะเฉพาะของแต่ละเอาท์พุตที่มีความสอดคล้องกับภาพอินพุต อย่างไรก็ตามการสกัดของลักษณะเฉพาะของแต่ละลาเบลและการจัดการกับปัญหาข้อมูลฝึกฝนที่มีค่อนข้างจำกัดยังคงมีความท้าทาย วิทยานิพนธ์ฉบับนี้มีเป้าหมายในการสร้างแบบจำลองเชิงคำนวณเพื่อที่จะเรียนรู้ในการถอดรหัสลาเบลจากภาพสมองที่มีความสอดคล้องกันโดยใช้เทคนิคเรียนรู้เชิงลึก แตกต่างจากแบบจำลองที่ใช้งานทั่วไป ซึ่งใช้ลักษณะเด่นที่สกัดจากข้อความ งานวิจัยนี้สาธิตให้เห็นว่าการถอดรหัสภาพสมองโดยใช้ลักษณะเด่นที่สกัดจากภาพโดยใช้โครงข่ายประสาทเทียมเชิงลึกซึ่งถูกฝึกฝนโดยข้อมูลภาพวัตถุทั่วไป เพื่อที่จะแก้ปัญหาแบบจำลองที่เฉพาะเจาะจงเกินไป หลักการที่นำเสนอใช้เทคนิคการฝึกฝนแบบหลายงานเพื่อสร้างโมเดลถอดรหัสสมองที่มีประสิทธิภาพ ผลลัพธ์จากการทดลองซึ่งทดสอบบนชุดข้อมูลภาพเอฟเอ็มไอจากซีเอ็มยูแสดงให้เห็นว่าแบบจำลองแบบหลายงานไม่เพียงแต่จะให้ประสิทธิภาพที่ดีแล้วยังลักษณะเด่นที่ใช้ถอดรหัสลาเบลยังง่ายที่จะถูกได้รับ

Abstract: A brain-computer interface (BCI) based on functional magnetic resonance imaging (fMRI) noninvasively records brain activity with a high spatial resolution. Like other BCI systems, an fMRI-based BCI system requires a decoding method to translate fMRI patterns of neural activation into BCI output. Previous studies focus on building an fMRI decoding model to identify specific features of the corresponding outputs. However, what kind of features suitable for encoding numerous labels and how to prevent the models from the overfitting due to limited fMRI data are questionable. This thesis focuses on building a computational model that learns to decode labels corresponding to neural activations captured by fMRI data using a deep learning approach. Unlike the conventional models that uses text-derived feature, this research demonstrates that the corresponding labels can be accurately decoded by fMRI activity responses using visual features extracted from deep convolutional neural networks trained on general object recognition datasets. To reduce the overfitting issue, our approach trains the model with multi-task learning scheme. The experimental results conducted on CMU’s fMRI datasets show that the multi-task based models not only meets the state-of-the-art performance, but also the decoding features can be easily derived.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: ลือพล พิพานเมฆาภรณ์

Role: ที่ปรึกษาดุษฎีนิพนธ์

Email : luepol.p@sci.kmutnb.ac.th

Created: 2562

Modified: 2564-04-28

Issued: 2564-04-28

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: ปรัชญาดุษฎีบัณฑิต

Level: ปริญญาเอก

Descipline: วิทยาการคอมพิวเตอร์

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17504417.pdf	4.49 MB	9	2025-07-06 16:32:22

ใช้เวลา

0.03259 วินาที