Šį pirmadienį gegužės 5 d. 13 val. 203 kab. (Akademijos g. 4) DMSTI seminare pranešimus perskaitys 2 DMSTI doktorantės:
(1) Gajane Mikalkėnienė „Gretimumo matricų taikymas EEG signalų klasifikavo uždaviniams spręsti“ [vadovas: doc. dr. Tadas Žvirblis];
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.
(2) Justina Ramonaitė „Giliuoju mokymusi pagrįstas šnekos signalo gerinimas“ [vadovė: dr. Gražina Korvel].
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.
Maloniai kviečiame dalyvauti! (negalintiems atvykti 'gyvai': https://bit.ly/DMSTI_2025-05-05 )