369 research outputs found
Stephane Mallarme: A synthesis of romanticism and parnassianism, 1970
No full textThe purpose of this paper is to analyse works of Stephane Mallarme, father of Symbolism, pointing out romantic and parnassian elements. Symbolism, like Romanticism, attempted to express the interior thoughts of man. The symbolist movement then, was not only a revolt against Parnassianism but also a return to Romanticism. On the other hand, one would not be incorrect in saying that Romanticism reached its culmination in the works of the symbolists poets. For this reason, an attempt will be made to show that the works of Mallarme, father of Symbolism, can be considered as a synthesis of Romanticism and Parnassianism. This thesis contains three chapters. The first chapter is devoted to a discussion of Romanticism and of Parnassianism. Special attention is given to the origin, development, characteristics and influences of each school. The relationship of one School with the other is also pointed out. The second chapter consists of a biographical sketch of Stephane Mallarme. Special emphasis is placed on factors and events in his life which may have influenced or determined the elements of Romanticism and Parnassianism in his poetry. The third chapter is devoted to an analysis of some of the poems of Stephane Mallarme", "Les Fenetres," V Apparition," "L'Azur," "Toast Funebre," "Le Vierge," "L'Apres-Midi d'un Faune." In these analyses special attention is given to the romantic and parnassian tendencies of the poems. Since these romantic-parnaassian elements occur frequently throughout his works, it has been concluded that Mallarme's poetry can be considered as a synthesis of the two poetic schools
Obama's visit to Korea : an unwavering US-ROC alliance amidst regional tensions
No full textFor more about the East-West Center, see http://www.eastwestcenter.org/Stephane Mot, Independent Author and Blogger living in Seoul, explains that "Obama's visit did not change the opinion of the vast majority of South Koreans who consider the US-ROK alliance to be unequal, but it did further confirm the importance of South Korea for US engagement towards Asia.
A comparison between humans and AI at recognizing objects in unusual poses
No full textPublisher Copyright: © 2025, Transactions on Machine Learning Research. All rights reserved.Deep learning is closing the gap with human vision on several object recognition benchmarks. Here we investigate this gap in the context of challenging images where objects are seen in unusual poses. We find that humans excel at recognizing objects in such poses. In contrast, state-of-the-art deep networks for vision (EfficientNet, SWAG, ViT, SWIN, BEiT, ConvNext) and state-of-the-art large vision-language models (Claude 3.5, Gemini 1.5, GPT-4, SigLIP) are systematically brittle on unusual poses, with the exception of Gemini showing excellent robustness to that condition. As we limit image exposure time, human performance degrades to the level of deep networks, suggesting that additional mental processes (requiring additional time) are necessary to identify objects in unusual poses. An analysis of error patterns of humans vs. networks reveals that even time-limited humans are dissimilar to feed-forward deep networks. In conclusion, our comparison reveals that humans are overall more robust than deep networks and that they rely on different mechanisms for recognizing objects in unusual poses. Understanding the nature of the mental processes taking place during extra viewing time may be key to reproduce the robustness of human vision in silico. All code and data is available at https://github.com/BRAIN-Aalto/unusual_poses.Peer reviewe
Blockwise Self-Supervised Learning at Scale
No full textPublisher Copyright: © 2024, Transactions on Machine Learning Research. All rights reserved.Current state-of-the-art deep networks are all powered by backpropagation. However, long backpropagation paths as found in end-to-end training are biologically implausible, as well as inefficient in terms of energy consumption. In this paper, we explore alternatives to full backpropagation in the form of blockwise learning rules, leveraging the latest developments in self-supervised learning. We show that a blockwise pretraining procedure consisting of training independently the 4 main blocks of layers of a ResNet-50 with Barlow Twins’ loss function at each block performs almost as well as end-to-end backpropagation on ImageNet: a linear probe trained on top of our blockwise pretrained model obtains a top-1 classification accuracy of 70.48%, only 1.1% below the accuracy of an end-to-end pretrained network (71.57% accuracy). We perform extensive experiments to understand the impact of different components within our method and explore a variety of adaptations of self-supervised learning to the blockwise paradigm, building an exhaustive understanding of the critical avenues for scaling local learning rules to large networks, with implications ranging from hardware design to neuroscience. Code to reproduce our experiments is available at: https://github.com/shoaibahmed/blockwise_ssl.Peer reviewe
Koneoppimismenetelmät fNIRS-pohjaiseen tunteiden luokitteluun
No full textFunctional Near-Infrared Spectroscopy (fNIRS) is a promising non-invasive neuroimaging tool for brain-computer interface (BCI) applications. Despite advantages such as portability, low cost, and relatively high spatial and temporal resolution, fNIRS is rarely applied for emotion recognition, largely due to inherent signal complexity, limited data availability, and subjective emotional responses.
In this thesis, we investigate whether emotional states can be detected from fNIRS responses evoked by affective stimuli from the International Affective Picture System (IAPS) \cite{lang2007international}. We base our analysis on the NEMO dataset \cite{spape2023nemo}, which is the first open fNIRS-based emotion recognition dataset. We evaluate several commonly used classical machine learning (ML) and deep learning (DL) approaches in fNIRS research. To ensure reliable model evaluation, we use a thorough nested cross-validation scheme, which provides robust performance estimates and hyperparameter selection. Finally, we analyze how stimulus properties and modeling choices affect performance.
Our experimental results show that emotional states can be classified with an average accuracy of 37.3\% in the 4-class task and 58.7\% in binary valence classification, when training and testing within an individual subject. Cross-subject classification proved more challenging, with 30.4\% accuracy in the 4-class task and 56.3\% in valence classification.
In our classification experiments, simple linear models, specifically Linear Discriminant Analysis and Logistic Regression, consistently outperformed more complex DL models, such as EEGNet and DeepConvNet.
Our stimuli-level analysis revealed that high-arousal stimuli were easier to classify than low-arousal stimuli. More detailed analysis of the stimulus content showed that grisly and intimate images resulted in the highest accuracies, while peaceful images such as those depicting flowers, led to the lowest.
This thesis highlights the importance of robust evaluation methods and offers practical suggestions for future research in fNIRS-based emotion recognition.Toiminnallinen lähi-infrapunakuvaus (Functional Near-Infrared Spectroscopy, fNIRS) on lupaava aivokuvantamismenetelmä, jolla voidaan epäinvasiivisesti tutkia tunneprosesseihin liittyvää aivotoimintaa. Sen eduista, kuten edullisuudesta ja suhteellisesta vastustuskyvystä liikeartefakteille huolimatta, tunteiden tunnistaminen fNIRS-datasta on edelleen haastavaa signaalin luontaisen monimutkaisuuden ja datan rajallisen saatavuuden vuoksi.
Tässä diplomityössä tutkitaan tunnetilojen luokittelua fNIRS-signaalien perusteella, jotka on kerätty henkilöiltä joille näytetään International Affective Picture System-järjestelmän tunteita herättäviä kuvia. Työ esittelee hiljattain julkaistun NEMO-tietokannan ja testaa kuinka perinteiset koneoppimis- ja syväoppimismallit kykenee luokittelemaan kuvien aiheuttamat aivovasteet tunnekategorioihin käyttäen perusteellisia arvioimismenetelmiä.
Tulokset osoittavat, että tunnetilat voidaan luokitella keskimäärin 37,3\% tarkkuudella neljän luokan luokittelussa ja 58,7\% tarkkuudella binäärisessä valenssiluokittelussa yksittäisten koehenkilöiden datalla. Koehenkilöiden välinen luokittelu on haastavampaa. Paras malli saavutti 30,4\% tarkkuuden neliluokkaisissa ja 56,3\% tarkkuuden binäärisissä valenssiluokittelussa, mikä korostaa vaikeutta yleistää tunteiden tunnistamisen malleja yksilöiden välillä.
Yksinkertaiset lineaariset mallit saavuttivat jatkuvasti paremmat tulokset kuin monimutkaisemmat syväoppimismallit, mikä korostaa yksinkertaisten lähestymistapojen käytännöllistä tehokkuutta fNIRS-datan luokittelussa.
Tarkempi analyysi osoittaa, että korkea-arousaalisten kuvien luokittelutarkkuus on parempi kuin matala-arousaalisten kuvien, mikä viittaa siihen, että tunnereaktion voimakkuus vaikuttaa olennaisesti luokittelutarkkuuteen.
Työssä korostetaan perusteellisten testausmenetelmien merkitystä ja annetaan metodologisia suosituksia tulevaa tutkimusta varten fNIRS-pohjaisessa affektiivisessa luokittelussa ja aivo-tietokone rajapinnoissa
Automaattinen kompromissien tunnistaminen pään ja kaulan alueen syövän sädehoidon hoitosuunnittelussa
No full textHead and neck cancer, one of the most prevalent cancers worldwide, accounts for hundreds of thousands of new cases each year. Radiation therapy (RT) is in a significant role in managing this cancer, benefiting approximately 75% of patients. However, RT in head and neck cancer presents unique challenges due to the proximity of vital organs and the extensive irradiation fields needed for tumor control, often resulting in significant side effects. Balancing effective tumor eradication with minimized treatment-related toxicity is particularly challenging, as treatment success depends on factors such as tumor size, location, and individual health conditions.
This thesis addresses these challenges by developing an automated system to support treatment planning by assessing key trade-offs in RT. The system adopts a two-part approach. First, it uses clustering techniques to group patients based on dose-volume histograms (DVHs), identifying clinically relevant treatment plan categories. These clusters serve as labels to train a convolutional neural network (CNN), which classifies patients into these groups based on CT images and organ at risk (OAR) and planning target volume (PTV) masks. Multiple clustering algorithms are evaluated and generate meaningful patient subgroups. The classification process enables clinicians to reference similar treatment plans for patients with comparable conditions, offering insights into expected outcomes. By providing access to relevant templates, this system could streamline treatment planning and facilitate efficient customization of RT treatment plans.Pään ja kaulan alueen syöpä on maailmanlaajuisesti merkittävä terveysongelma, sillä se on seitsemänneksi yleisin syöpätyyppi. Sädehoito on keskeisessä asemassa tämän syöpätyypin hoidossa, ja noin 75% potilaista hyötyy siitä. Pään ja kaulan alueen sädehoitoon liittyy kuitenkin huomattavia haasteita, jotka johtuvat kriittisten elinten läheisyydestä ja laajojen säteilykenttien tarpeesta kasvaimen hallitsemiseksi. Tämä johtaa usein merkittäviin haittavaikutuksiin. Hoidossa on keskeistä tasapainoilla kasvaimen tehokkaan hävittämisen ja hoitoon liittyvien haittojen minimoinnin välillä, mikä tekee hoidon suunnittelusta erityisen haastavaa. Hoidon onnistumiseen vaikuttavat muun muassa kasvaimen koko, sijainti sekä potilaan yksilölliset terveydentilatekijät.
Tässä tutkielmassa pyritään vastaamaan näihin haasteisiin kehittämällä automatisoitu järjestelmä, joka tukee sädehoidon hoitosuunnittelua arvioimalla keskeisiä hoitoon liittyviä kompromisseja. Järjestelmä perustuu kaksiosaiseen lähestymistapaan. Ensimmäisessä vaiheessa käytetään klusterointimenetelmiä potilaiden ryhmittelyyn annos-tilavuus-histogrammien perusteella, minkä avulla tunnistetaan kliinisesti merkittäviä hoitosuunnitelmien kategorioita. Näitä klustereita hyödynnetään luokittelijan opetusdatana, kun koulutetaan konvoluutioneuroverkkoa, joka luokittelee potilaat näihin ryhmiin käyttäen syötteenä tietokonetomografiakuvia, sekä kriittisten elinten ja hoitoalueiden maskidataa. Tutkimuksessa arvioidaan useita klusterointialgoritmeja, jotka osoittautuvat kyvykkäiksi tuottamaan merkityksellisiä potilasryhmiä. Luokittelun avulla kliinikot voisivat hyödyntää aiemmin luotuja suunnitelmamalleja samankaltaisille potilaille, tarjoten potentiaalisesti arvokasta tietoa odotettavissa olevista hoitotuloksista. Järjestelmä voisi edesauttaa hoitosuunnittelun tehostamista ja yksilöllistämisen parantamista
Palauteyhteyksien roolin tutkiminen ihmisen näköjärjestelmässä uuden psykofyysisen paradigman avulla
No full textHuman vision is remarkably robust, enabling accurate object recognition under various conditions such as unusual viewing angles. This robustness has been linked to recurrence within the visual system, but it remains unclear where in the visual hierarchy these recurrent processes are critical. In this thesis, a novel psychophysical masking paradigm was developed to probe recurrence by varying mask type. Using a deep learning generative method, we created masks which exhibit either low-level or high-level visual features, presumably targeting early and late stages of visual processing, respectively. Participants viewed upright and rotated objects under time-limited conditions, followed by either a low-level or high-level mask. Both mask types significantly impaired recognition for rotated objects, but no significant difference was found between their effects on human performance. This result suggests that recurrence involving early visual areas, such as V1, is already essential for recognizing rotated objects. However, the lack of differential effect between mask types may also reflect other mechanisms at play, such as evidence accumulation effects. Further experiments would be required to differentiate between possible mechanisms. Altogether, our results provide initial support for the idea that even the earliest stages of the visual hierarchy may rely on recurrent mechanisms for robust recognition.Ihmisen näköjärjestelmä on poikkeuksellisen kyvykäs: tunnistamme esineitä nopeasti ja tarkasti myös haastavissa olosuhteissa, kuten epätavallisissa katselukulmissa. Tätä kykyä on selitetty näköaivokuoren palauteyhteyksillä, mutta ei ole selvää, missä kohtaa visuaalista hierarkiaa palauteyhteydet ovat ratkaisevassa roolissa. Tässä opinnäytetyössä kehitettiin uusi psykofyysinen maskausmenetelmä, jossa palauteyhteyksiä pyrittiin häiritsemään muuntelemalla maskin sisältöä. Neuroverkkoa hyödyntämällä luotiin maskeja, jotka sisälsivät joko matalan tai korkean tason visuaalisia piirteitä. Eri maskit oletettavasti häiritsevät visuaalista prosessointia ihmisen näköjärjestelmän eri vaiheissa. Koehenkilöille esitettiin lyhyen ajan sekä tavanomaisissa että epätavanomaisissa katselukulmissa olevia esineitä, minkä jälkeen näköärsykettä seurasi joko matalan tai korkean tason maski. Molemmat maskityypit heikensivät selvästi epätavanomaisissa katselukulmissa olevien esineiden tunnistamista, mutta niiden välillä ei havaittu merkittävää eroa. Tämä viittaa siihen, että palauteyhteydet näköjärjestelmän varhaisilla tasoilla, kuten V1-alueella, voivat olla jo olennaisia silloin, kun tunnistustehtävä on vaativa. Toisaalta havaittu tulos voi johtua myös muista mekanismeista, kuten evidenssin kertymisestä. Näiden vaihtoehtojen erottaminen edellyttää jatkotutkimuksia. Kaiken kaikkiaan tulokset tukevat näkemystä, että jopa näköjärjestelmän varhaisimmat prosessointivaiheet voivat tukeutua palauteyhteyksiin, kun tunnistettavat ärsykkeet ovat haastavia
Eri asennoissa esitettyjen esineiden ajallinen käsittely ihmisaivoissa — MEG-tutkimus visuaalisesta havaitsemisesta
No full textHumans can robustly recognize objects, even in unusual poses. During object recognition, cortical object representations become increasingly invariant to different poses. However, additional time is required to recognize objects in these unusual poses. While previous studies have investigated the temporal dynamics of pose-invariant object representations across distinct object categories, less is known about how such representations develop for objects that share similar low-level features.
In this master's thesis, the temporal evolution of object representations was investigated for both visually distinct objects and visually similar objects presented in rotated views. Magnetoencephalography (MEG) was used to record brain activity from 20 subjects while they viewed images of eight distinct objects (dog, body, building, strawberry, face, dresser, tool, and bus) and eight chairs that share similar low-level features. Each object was shown in five different in-plane orientations (0°, 45°, 90°, 135°, and 180°). Time-resolved multivariate decoding analysis and representational similarity analysis (RSA) were used to reveal how the object representations of rotated objects unfold in time.
RSA and decoding analysis showed that for both visually distinct objects and visually similar objects, pose-invariant and fixed-pose representations emerged around 70 ms and peaked around 120 ms. For the visually similar objects, a slow progressive increase in pose-invariance was observed approximately at 200-700 ms, suggesting that object representations become increasingly invariant during this later stage of visual object processing. This could be due to the attentive nature of the task with visually similar objects.Ihmiset tunnistavat yleensä vaivattomasti jopa epätavallisissa asennoissa esitetyt esineet. Ihmisen aivoissa esineiden edustukset muuttuvat esineitä tunnistettaessa yhä enemmän asennosta riippumattomaksi. Epätavallisissa asennoissa esitettyjen esineiden tunnistaminen vaatii kuitenkin enemmän aikaa kuin tavanomaisissa asennoissa nähtyjen esineiden. Aiemmissa tutkimuksissa on tutkittu asennosta riippumattomien esineiden edustusten kehitystä ajassa erilaisille esineluokille. Vähemmän kuitenkin tiedetään siitä, kuinka nämä edustukset kehittyvät esineille, joilla on samankaltaisia matalan tason visuaalisia piirteitä.
Tässä diplomityössä tutkittiin esineiden edustusten kehitystä ajassa sekä visuaalisesti erilaisille, että visuaalisesti samankaltaisille, eri asennoissa esitetyille esineille. Magnetoenkefalografialla (MEG) mitattiin 20 koehenkilön aivotoimintaa heidän katsoessa kuvia kahdeksasta erilaisesta esineestä (koira, vartalo, rakennus, mansikka, kasvot, lipasto, työkalu ja bussi) sekä kahdeksasta tuolista, joilla on samankaltaiset visuaaliset matalan tason piirteet. Jokainen esine näytettiin viidessä eri rotaatiossa (0°, 45°, 90°, 135° ja 180°). Luokitteluanalyysin sekä esineiden aiheuttamien vasteiden samankaltaisuuden perusteella selvitettiin, miten pyöritettyjen esineiden edustukset kehittyvät ajassa.
Luokitteluanalyysin ja esineiden aiheuttamien vasteiden samankaltaisuuden perusteella sekä visuaalisesti erilaisille, että visuaalisesti samankaltaisille esineille havaittiin, että esineen asennosta riippumattomat ja riippuvat edustukset alkoivat kehittyä noin 70 millisekunnin kohdalla saavuttaen huippunsa noin 120 millisekunnin kohdalla. Visuaalisesti samankaltaisille esineille havaittiin progressiivinen kasvu esineen asennosta riippumattomuudessa noin 200-700 millisekunnin välillä. Tämä kasvu saattaa viitata siihen, että esineden edustukset muuttuvat voimistuvasti riippumattomiksi tässä myöhäisessä esineiden käsittelyn vaiheessa. Tämä voisi johtua ihmisen tarkkaivaisuutta vaativasta tehtävän luonteesta visuaalisesti samankaltaisen esineiden osion aikana
Suurten kielimallien hyödyntäminen lääketieteellisten termien tunnistamiseen vapaamuotoisista kliinisistä kriteereistä
No full textObjective: This thesis explores the use of large language models (LLMs) to extract medical entities from the eligibility criteria for the free text clinical trial according to the Chia annotation model (CAM). The thesis aims to evaluate and compare the performance of one-shot prompting and fine-tuning approaches in this context.
Materials and methods: Chia dataset, which contains 1,000 clinical trial eligibility criteria with detailed expert annotations, is used as benchmark in this thesis. An evaluation pipeline is implemented that applies to both, one-shot prompting and fine-tuning techniques on different LLMs on this annotation task. Model performance is evaluated using metrics precision, recall, and F1-score. The results are also compared with state-of-the-art encoder-only models.
Results: The experiments show that fine-tuning improves the overall annotation performance of LLMs compared to one-shot prompting in this task. The fine-tuned models achieve higher F1-scores overall, especially for frequently occurring entity types like condition, drug, and measurement. However, less frequent or more abstract entities, such as observation and mood, remain challenging.
Discussion and conclusion: The findings show that while fine-tuning offers higher accuracy, it also requires more computational resources and annotated data. In contrast, prompt engineering is a quicker and less technically demanding alternative, though it may not reach the same level of performance. Choosing between the two depends on what the clinical task needs. Overall, this thesis brings information into the practical application of LLMs for clinical entity extraction, and gives the groundwork for future improvements in automated clinical data processing for improved patient recruitment and data analysis.Tavoite: Tässä diplomityössä tutkitaan suurten kielimallien (LLM) hyödyntämistä lääketieteellisten termien poimimiseksi vapaamuotoisten kliinisten tutkimusten osallistumiskriteereistä Chian annotaatiomallin (CAM) mukaisesti. Tavoitteena on arvioida ja vertailla yhden esimerkin perusteella tapahtuvaa ohjeistamista (one-shot prompting) ja kielimallien jatkokouluttamista (fine-tuning) tässä kontekstissa.
Aineisto ja menetelmät: Diplomityössä käytetään Chia-aineistoa, joka sisältää 1 000 kliinisen tutkimuksen osallistumiskriteeriä asiantuntijoiden tarkasti annotoimana. Tässä työssä toteutettiin arviointimenetelmä, joka mahdollistaa sekä ohjeistettujen (one-shot prompting) että jatkokoulutettujen mallien arvioimisen. Mallien suorituskykyä arvioitiin mittareilla precision, recall ja F1-score. Saatuja tuloksia verrattiin myös alan parhaisiin encoder-only-arkkitehtuureihin perustuvien mallien suoriutumiseen.
Tulokset: Tulokset osoittavat, että mallien jatkokoulutus parantaa suurien kielimallien annotointisuorituskykyä verrattuna yhden esimerkin ohjeistukseen. Jatkokoulutetut mallit saavuttavat korkeammat F1-pisteet etenkin usein esiintyvien termien, kuten sairauksien, lääkkeiden ja mittausten kohdalla. Sen sijaan harvinaisemmat tai abstraktimmat termit, kuten havainnot ja mielialat, osoittautuvat edelleen haasteellisiksi.
Pohdinta ja johtopäätökset: Tulokset osoittavat, että vaikka mallien jatkokoulutus tuottaa tarkempia tuloksia, se vaatii enemmän laskentatehoa ja annotoitua dataa. Ohjeistukseen (prompting) perustuva lähestymistapa on nopeampi ja teknisesti kevyempi vaihtoehto, vaikkei se välttämättä saavuta samanlaista suorituskykyä. Valinta näiden välillä riippuu kliinisen tehtävän vaatimuksista. Kokonaisuudessaan tämä työ tuo esiin kielimallien käytännön sovellettavuutta kliinisten termien poimintaan ja tarjoaa perustan tulevalle kehitykselle kliinisen datan automaattisessa käsittelyssä potilasrekrytoinnin ja tiedon analysoinnin parantamiseksi
REM-unen aikaisen aivotoiminnan visualisointi ohjaamattoman esitysoppimisen avulla
No full textSleep is an essential part of well-being. It has a strong influence on individual behavior. There is still not enough information about brain activity during rapid-eye-movement (REM) -sleep that has been associated with psychological conditions, such as stress, anxiety, and depression. Analyzes using machine learning are needed to provide new perspectives on the matter. One of the machine learning methods, representation learning, is feasible candidate for these analyses.
This thesis compares two representational unsupervised learning methods: t-distributed stochastic neighbor embedding (t-SNE) and topological data analysis (TDA) Mapper algorithm to visualize dynamic REM-sleep data. The work will review REM-sleep data using brain wave power spectral density (PSD) values from electroencephalogram (EEG). The study investigates the behavior of sleep data and the visual methods' validity. EEG channels and subject identification label information are used to identify data point clusters in the visualized data map with two different datasets. Boxplot and similarity network analysis methods were used to validate the representation learning results.
The results showed that the representation learning methods could distinguish the types of EEG channels from each other and find the data points of artifacts created in the measurement. Furthermore, the differences between subjects and the fingerprints of brain waves from REM-sleep data were identified from the methods.
The research shows that t-SNE and TDA are suitable methods to identify the behavior of REM-sleep data, especially brain waves. Although the methods show impressive clusters of data points, clusters close to each other must be treated with caution when classifying their similarity. Furthermore, it was noticed that the methods depend on method parameter settings and computing resources. In the future, representation learning methods could be used to preview REM-sleep data or other sleep data before the primary analyses. This would provide for the identification of errors in the results at an early stage.Uni on olennainen osa hyvinvointia. Sillä on suuri vaikutus yksilön käyttäytymiseen. Vielä ei ole riittävästi tietoja aivojen aktiivisuudesta vilkeunen (REM) aikana, joka on yhdistetty psykologisiin oireisiin, kuten stressiin, ahdistukseen ja masennukseen. Tämän selvittämiseksi tarvitaan analyyseja koneoppimisen avulla. Yksi koneoppimismenetelmistä on esitysoppimismenetelmä, joka tarjoaa kiinnostavan näkökulman unianalytiikkaan.
Opinnäytetyössä verrataan kahta ohjaamatonta esitysoppimismenetelmää: t-hajautetun stokastisen naapurin upottamisen (t-SNE) ja topologinen data-analyysi (TDA) menetelmillä REM-unen aikana kerätyn aivodatan visualisoimiseksi. Työssä tarkastellaan REM-unidataa käyttämällä aivoaaltojen tehotiheysspektrivoimakkuuden (PSD) arvoja elektroenkefalogrammista (EEG). Työssä selvitetään unitietojen käyttäytymistä ja arvioidaan visuaalisten menetelmien validiteettia. Datapisteistä muodostettujen joukkojen tunnistamisessa hyödynnetään EEG-kanavia ja koehenkilöiden tunnuksia kohdemuuttujina visuaalisessa datakartassa kahdella eri datasetillä. Analyysimenetelminä käytettiin laatikko-janakuviota ja samankaltaisuusverkostoa esitysoppimistulosten validoimiseksi.
Tulokset osoittivat, että esitysoppimismenetelmillä pystyttiin erottamaan EEG-kanavien tyypit toisistaan ja löytämään mittauksessa syntyneiden häiriöiden datapisteet. Lisäksi menetelmistä tunnistettiin koehenkilöiden välisiä eroavaisuuksia ja yksilölliset "sormenjäljet" aivoaaltojen REM-unidatoista.
Tutkimus osoittaa, että t-SNE ja TDA ovat sopivia menetelmiä tunnistamaan aivoaaltojen käyttäytymistä REM-unidatasta. Vaikka menetelmissä näkyi datapisteklustereita, klustereiden läheisyydet on suhtauduttava varauksellisesti niiden samankaltaisuuksien luokittelussa. Lisäksi huomattiin, että menetelmiin vaikuttaa niiden parametrien asetukset ja tietokoneen laskentaresurssit. Tulevaisuudessa esitysoppimismenetelmiä voitaisiin käyttää REM-unidatojen tai muiden unidatojen esikatselussa ennen ensisijaisia analyyseja. Tämä mahdollistaisi virheiden tunnistamisen tuloksista varhaisessa vaiheessa
- …
