Clasificación de señales cerebrales utilizando técnicas de aprendizaje automático

• Autores: Caravario, Martín Julián
• Año de publicación: 2018
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Brusco, Pablo; Kaczer, Laura
• Materia: APRENDIZAJE AUTOMATICO; ELECTROENCEFALOGRAMA; POTENCIALES EVOCADOS; PRIMING; IMPORTANCIA DE VARIABLES; SELECCION DE MODELOS; PROCESAMIENTO DE SERIES TEMPORALES; MACHINE LEARNING; ELECTROENCEPHALOGRAM; EVOKED POTENTIALS; PRIMING; FEATURE IMPORTANCE; MODEL SELECTION; TIMES SERIES PROCESSING
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

En esta tesis de licenciatura nos proponemos realizar un trabajo interdisciplinario, que consiste en aplicar técnicas de aprendizaje automático al estudio de la actividad cerebral en humanos en el procesamiento de palabras nuevas, frente a la existencia de lo que se conoce como priming morfológico. El objetivo fue investigar si los modelos predictivos entrenados a partir de datos recolectados en experimentos biológicos pueden constituir una nueva herramienta de análisis, que complementen (o incluso mejoren) las técnicas estad´ısticas empleadas en la actualidad. Para eso nos basamos en resultados de trabajos previos y utilizamos los datos all´ı obtenidos como corpus de datos para realizar diversos experimentos de aprendizaje autom´atico. Sobre estos datos, extrajimos características de las señales cerebrales para luego experimentar construyendo modelos de clasificación para predecir condiciones de priming. Los resultados obtenidos fueron prometedores para algunos sujetos en donde obtuvimos valores cercanos a 0.7 utilizando la métrica AUC ROC sobre datos de evaluación. En segundo lugar, abordamos el problema de construir clasificadores que utilicen instancias de distintos sujetos para luego predecir sobre un nuevo sujeto no visto durante la etapa de entrenamiento y de esta manera encontrar modelos que generalicen propiedades entre distintas personas. Los resultados muestran las dificultades encontradas ante esta nueva tarea y posibles caminos para continuar el análisis. Finalmente, dejamos a disposición un framework de análisis de datos construido sobre el lenguaje Python para futuras tareas de aprendizaje automático sobre señales cerebrales.
We propose an interdisciplinary study that consisted in applying machine learning techniques to the study of human brain activity under a morphological priming protocol. Our work relied on building data-driven predictive models using collected data from biological experiments. The main goal was to develop machine learning tools for analysis that complement the classical statistical techniques. We performed several experiments by extracting features from brain signals data and then, by creating classifiers that predict one possible priming condition. Promising results were obtained for some subjects where we reach scores around 0.7 of AUC ROC on evaluation data. A second part of the study aimed at building inter-subject classifiers with the objective of finding patterns and properties that generalize among different subjects. Results showed several difficulties associated with this task. We presented possible solutions to these difficulties where further analysis is required. Finally, we contribute by releasing a python-based framework built to carry out new machine learning experiments with EEG data.
Fil: Caravario, Martín Julián. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.