16.03.2024

Ученые МГУ научились анализировать эмоции с помощью нейросетей

В МГУ разработали новые модели машинного обучения для анализа нейрофизиологических данных

Ученые МГУ представили новое семейство архитектур моделей машинного обучения с применением графовых нейронных сетей, которое обещает значительно улучшить возможности интерпретации и обобщения при анализе сложных многомерных временных рядов, а также привлечь к анализу дополнительную метрическую информацию из предметной области. Результаты исследования были представлены в рамках Всероссийской Конференции «Математические методы распознавания образов» (ММРО-2023).

Сотрудники факультета ВМК МГУ формализировали задачи идентификации функциональных паттернов в многомерных временных рядах с использованием методов машинного обучения, что позволяет избежать необходимости специфического исследования в области. Предложенная архитектура учитывает пространственные метаданные, кодируя исходные позиции электродов как граф для передачи в соответствующую модель. Этот метод был успешно применен в нейрофизиологии: модель самостоятельно справилась с теми случаями, где нейрофизиологам уже известен функциональный паттерн P300. Кроме того, этот подход был применен к распознаванию эмоций с использованием набора данных SEED, достигнув высоких результатов.

«Одним из ключевых аспектов метода является использование графа, построенного по внешней метрической информации, что оказало значительное влияние на эффективность алгоритма. В будущем планируется расширить метод на другие области, такие как данные от сенсоров на производственных линиях или банковские транзакции», — отметил доцент кафедры математических методов прогнозирования факультета ВМК МГУ Арчил Майсурадзе.

Исследование охватывает анализ наборов данных, собранных с использованием метода эксперимента «одиночный стимул», широко используемого в психологических и нейрофизиологических исследованиях. Набор данных BCI competition был использован для дополнительной проверки архитектуры, достигнув впечатляющих результатов с различными моделями машинного обучения. Кроме того, набор данных SEED был использован для задач распознавания эмоций, демонстрируя гибкость и эффективность метода.

«В отличие от недавних подходов, игнорирующих физическую структуру интерфейсов BCI, этот метод подчеркивает создание плотного графа, представляющего фактическую форму устройства записи. Исследованы различные методы построения графов и показано, что предложенный нами метод значимо влияет на результаты», — добавил магистрант кафедры математических методов прогнозирования факультета ВМК МГУ Леонид Сидоров.

Предложенная архитектура модели состоит из блоков пространственной и временной обработки, а также блока предсказания, с акцентом на возможности графовых сверточных сетей. Интеграция графовых сверточных сетей позволила достичь улучшения качества работы модели на данных ЭЭГ и конкурентоспособных уровней точности на стандартных наборах данных.

Источник: пресс-служба МГУ

Информация о последних событиях и достижениях в области науки, техники и технологий. При использовании материала необходима гиперссылка на ресурс

. Все авторские права на изображения и тексты принадлежат их создателям. Если вы являетесь правообладателем и не согласны с размещением вашего материала на нашем сайте, пожалуйста, свяжитесь с нами по адресу
izd-naukatehnika@yandex.ru
.

© 2023 Наука и техника