EEG foundation modellek és nagy neurális hálók
| Témavezető: | Lukács András |
| ELTE Matematikai Intézet, MI Kutatócsoport | |
| email: | andras.lukacs@ttk.elte.hu |
Projekt leírás
Az EEG (elektroenkefalográfia) az agyi tevékenység mérésének egy hatékony és nem invazív módszere, amely során az agy elektromos aktivitását rögzítik az agyfelszínre helyezett elektródák segítségével. Az EEG adatok elemzése hatalmas potenciállal bír az agyi állapotok és betegségek diagnosztizálásában, például epilepszia, alvászavarok, vagy különböző neurológiai rendellenességek esetén, de az EEG jelek feldolgozása még ma is sok nyitott kérdést tartogat. A projektben azt vizsgáljuk, hogy a nyelvi modellekhez hasonlóan lehet-e nagy, általános EEG foundation modelleket építeni, amelyek sokféle adaton tanulnak, majd különböző feladatokra adaptálhatók.
A projekt egyik célja annak módszeres feltérképezése, hogy egyre nagyobb transformer modellekkel és egyre több adattal, különböző mintavételi frekvenciákkal, nyers EEG-jelekkel, Fourier- és idő–frekvencia reprezentációkkal, valamint self-supervised pretraining módszerekkel mennyire jó modelleket lehet létrehozni. Fontos szempont az is, hogyan lehet egy foundational modellnek különböző EEG-adatbázisok, elektródaelrendezések és mérési körülmények között is jól működnie.
A téma különösen azoknak szól, akiket érdekelnek a transformerek, foundation modellek, idősorok és az agyi jelek, és szívesen dolgoznának egy gyorsan fejlődő, sok nyitott kutatási kérdést tartalmazó területen. A projekt lehetőséget nyújt a mélytanulási algoritmusok gyakorlati alkalmazásával, egyben az agyi állapotok diagnosztizálásának egy modern és izgalmas módszerével is megismerkedni. A projektben végzett munkával hozzájárulhatnak az EEG témájú kutatásokhoz és a diagnosztika területén történő fejlesztésekhez.
Társtémavezető: Nádasdy Zoltán (University of Texas, Austin & Zeto)
Előfeltételek
- angol nyelvű szakcikkek olvasása
- meglévő programozási tudás, Python programozási nyelv legalább alap-közepes szintű ismerete, vagy gyors elsajátításának képessége
- előny az adatbányászat, gépi, ill. mély tanulás alapjainak ismerete, a gépi/mély tanulásban használatos programcsomagok ismerete
Hivatkozások
[1] Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT Press, 2016. http://www.deeplearningbook.org/
[2] Zhang, Aston, et al. Dive into deep learning. https://d2l.ai/
[3] Libenson, Mark H. Practical approach to electroencephalography. Elsevier Health Sciences, 2009.
[4] Schirrmeister, Robin Tibor, et al. Deep learning with convolutional neural networks for EEG decoding and visualization. Human brain mapping 38 (11) (2017): 5391-5420. https://scholar.google.hu/scholar?cluster=15169149505343429564
[5] Liu, Dingkun, et al. EEG foundation models: Progresses, benchmarking, and open problems. arXiv:2601.17883 (2026). https://arxiv.org/abs/2601.17883