2025 m. gegužės 5 d., 13 val.
Vilnius, Akademijos g. 4, 203 kab.
Nuotoliniu būdu „MS Teams“ aplinkoje (https://bit.ly/DMSTI_2025-05-05)
Gajane Mikalkėnienė
(doktorantūros studijų rezultatų pristatymas,
vadovas: doc. dr. Tadas Žvirblis)
„Gretimumo matricų taikymas EEG signalų klasifikavimo uždaviniams spręsti“
Anotacija: Elektroencefalografija (EEG) yra neinvazinis smegenų aktyvumo registravimo metodas tinkantis tirti funkcinį jungumą. Kadangi psichikos sutrikimų atveju pakinta smegenų elektrofiziologija, sveikatos būklės klasifikavimo gerinimas yra svarbus norint tiksliau diagnozuoti tokias būkles kaip depresija. Atsižvelgiant į EEG signalų daugiadimensiškumą, tinkamas požymių parinkimas yra būtinas norint optimizuoti mašininio mokymosi modelius EEG pagrįstame depresijos klasifikavime. Buvo sukurtas jungumo gretimumo matricų pateikimo būdas klasifikavimo modeliui – agreguojant matricas apskaičiuotas iš keturių metrikų (Pearson koreliacija, fazių fiksavimo vertė (PLV), fazių delsimo indeksas (PLI), menamoji koherencijos dalis (iCoh)). Tyrimo eigoje buvo apmokinti 3 modeliai: atraminių vektorių klasifikatoriai (SVM), atsitiktiniai miškai (RF) bei XGBoost.
Justina Ramonaitė
(doktorantūros studijų rezultatų pristatymas,
vadovė: dr. Gražina Korvel)
„Giliuoju mokymusi pagrįstas šnekos signalo gerinimas“
Anotacija: Šnekos signalų panaudojimas įvairiose gyvenimo srityse auga, o tai reiškia, kad poreikis gebėti išgauti informaciją iš įvairios kokybės signalų taip pat didėja. Realiame gyvenime esame apsupti skirtingų aplinkos garsų, jiems pašalinti naudojami šnekos signalo kokybės gerinimo metodai. Vieni jų - pastaraisiais metais itin populiarūs tapę generatyviniai tinklai. Pranešime bus aptartas vykdomas tyrimas, kurio metu atkuriamas pirmasis generatyvinis adversarinis tinklas, panaudotas šnekos signalo gerinimui, SEGAN.