Objašnjivost modela strojnog učenja u predikciji afektivnih poremećaja

diplomski rad

• Naslov (engleski): Explainability of machine learning models in prediction of affective disorders
• Autor: Fani Sentinella-Jerbić
• Mentor: Mario Cifrek (mentor)
• Član povjerenstva: Mario Cifrek (predsjednik povjerenstva)
• Član povjerenstva: Hrvoje Džapo (član povjerenstva)
• Član povjerenstva: Magdalena Krbot Skorić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-07-17, Hrvatska

Sažetak

Ovaj rad istražio je objašnjivost uporabe EEG snimanja mozga u razlikovanju zdravih osoba i osoba dijagnosticiranih depresijom. Kako bi se otkrili obrasci i prediktivni biomarkeri, korištene su različite analitičke metode, uključujući istraživačku analizu podataka, testiranje hipoteza, rangiranje značajki pomoću metoda objašnjive umjetne inteligencije te evaluaciju podskupova značajki. Mali skup podataka, visok omjer značajki i instanci te ovisnost korištenih metoda o različitim pretpostavkama... Više i arhitekturama, ograničili su učinkovitost i međusobno slaganje među primjenjenim metodama. Ipak, provedene analize sugeriraju razlike u središnjim tendencijama i varijancama između zdravih i depresivnih individua, nelinearni odnos između EEG značajki i depresije, te frontalno područje mozga, lijevu hemisferu i beta valove kao potencijalne biomarkere depresije u slučaju izolirane analize. U slučaju kombinirane analize, predfrontalno, frontalno, temporalno i parijetalno područje, kao i kombinacija alfa, delta i gamma valova pokazuju prediktivnu moć. Iako su konačni zaključci ograničeni prirodom skupa podataka i metodologije, dobiveni uvidi postavljaju temelje za buduća istraživanja temeljena na EEG-u s ciljem unapređenja dijagnostike i strategije liječenja depresije. Sakrij dio sažetka

Sažetak (engleski)

This thesis explores the explainability of using EEG brain recordings to distinguish between healthy individuals and those diagnosed with depression. To identify patterns and predictive biomarkers, a variety of analytical approaches were used, including exploratory data analysis, hypothesis testing, explainable AI-based feature rankings, and feature subset evaluation. Challenges arose from the dataset's size, the high feature-to-instance ratio, and the dependability of methods on different... Više assumptions and architectures, limiting their effectiveness and agreement. Notably, the analysis suggests differences in central tendencies and variances between the two groups, a non-linear relationship between EEG features and depression, and the potential biomarkers being the frontal brain area, left hemisphere, and beta waves when used in isolation, or prefrontal, frontal, temporal, and parietal regions as well as alpha, delta, and gamma waves when used in combination. While definitive conclusions are constrained by dataset and method limitations, the insights gained lay the groundwork for future EEG-based studies aiming to refine depression diagnostics and treatment strategies. Sakrij dio sažetka

• Ključne riječi: objašnjiva umjetna inteligencija; elektroencefalografija (EEG); strojno učenje; afektivni poremećaji; depresija
• Ključne riječi (engleski): explainable artificial intelligence (XAI); electroencephalography (EEG); machine learning; affective disorders; depression
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:875230
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2024-10-12 22:05:19