МОДЕЛЬ ДОВГОСТРОКОВОЇ КОРОТКОСТРОКОВОЇ ПАМ'ЯТІ З ВРАХУВАННЯМ ЗОВНІШНЬОГО ТЕНДЕНЦІЙНОГО ТА ВНУТРІШНЬОГО КОМПОНЕНТНОГО АНАЛІЗУ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2025.01.042Ключові слова:
ЕЕГ, LSTM, ETICA, нейронна мережа, моделювання, декомпозиція тренду.Анотація
У даній роботі представлено модифікацію рекурентної нейронної мережі з довгостроковою та короткостроковою пам’яттю для моделювання сигналів електроенцефалограми та виділено її потенціал в прогнозуванні патологічних станів. Продемонстрована інтерпретація включає метод декомпозиції зовнішнього тренду та внутрішніх компонент, які найбільш характерно визначають параметри вхідного сигналу. Отримані сегментовані дані після попередньої обробки зазначеним методом в подальшому обробляються нейронною мережею, яка на них навчається з більш ефективним калібруванням. В результаті, навчена мережа може відтворювати дані, на яких вона була навчалась та спрогнозувати подальшу тенденцію мозкової активності. Отримані результати свідчать про потенціал цього підходу як для фундаментальних нейронаукових досліджень, так і для клінічного застосування в діагностиці та моделюванні нейропатологій.
Посилання
Najafi, T., Jaafar, R., Remli, R., Zaidi, W. A. W., & Chellappan, K. (2022). A Computational Model to Determine Membrane Ionic Conductance Using Electroencephalography in Epilepsy. Physical Sciences Forum, 5(1), 45. https://doi.org/10.3390/psf2022005045.
Inkin O.A., Pogorelov O.V. (2024). OA, I., & OV, P. (2024). Modeliuvannia EEG za dopomohoiu hlybokykh neironnykh merezh [Modeling of EEG using deep neural networks]. System Technologies, 3(152), 57–68. https://doi.org/10.34185/1562-9945-3-152-2024-06 [in Ukrainian].
Basak, M., Maiti, D., & Das, D. (2024). EEG Innovations in Neurological Disorder Diagnostics: A Five-Year Review. Asian Journal of Research in Computer Science, 17(6), 226–249. https://doi.org/10.9734/ajrcos/2024/v17i6470.
Dioubi, F., Hundera, N. W., Xu, H., & Zhu, X. (2024). Enhancing stock market predictions via hybrid external trend and internal components analysis and long short term memory model. Journal of King Saud University - Computer and Information Sciences, 102252. https://doi.org/10.1016/j.jksuci.2024.102252
Monesi, M. J., Accou, B., Montoya-Martínez, J., Francart, T., Van hamme, H. (2020). An LSTM Based Architecture to Relate Speech Stimulus to EEG. arXiv: Audio and Speech Processing. https://arxiv.org/abs/2002.10988
Hecker, L., Maschke, M., Rupprecht, R., Tebartz van Elst, L., & Kornmeier, J. (2023). Evaluation of Long-Short Term Memory Networks for M/EEG Source Imaging with Simulated and Real EEG Data. bioRxiv. https://doi.org/10.1101/2022.04.13.488148