Il machine learning è una disciplina dell’ambito AI che offre notevoli vantaggi, tra cui la possibilità di analizzare efficacemente una grande mole di dati, con lo svantaggio di essere balck-box, ossia non è possibile osservare e comprendere i meccanismi che governano le decisioni prese dagli algoritmi. Per risolvere questo problema è nata una nuova branca di studio: explainable artificial intelligence XAI. Questa si occupa della ricerca delle informazioni del dato in input sono state fondamentali per la creazione del modello, rendendo il machine learning comprensibile. Nel capitolo di background è stato introdotto XAI presentando le sue basi teoriche, i modelli di machine e deep learning incontrati durante la revisione e il segnale EEG. Nel secondo capitolo è stata svolta una revisione dello stato dell’arte dei metodi di XAI per l’analisi di segnali EEG. I metodi trovati sono diciassette e si differenziano in base alla modalità in cui agiscono. Nel terzo capitolo viene svolta un’analisi dei risultati ottenuti nel tentativo di rispondere a tre domande: (a) cosa è in grado di spiegare XAI nel caso di studi su EEG? (b) come influisce il preprocessing sui risultati che XAI può fornire? (c) vantaggi e svantaggi nell’utilizzo di XAI.

Explainable AI per l'analisi di segnali EEG

ZORZETTO, ANNA
2021/2022

Abstract

Il machine learning è una disciplina dell’ambito AI che offre notevoli vantaggi, tra cui la possibilità di analizzare efficacemente una grande mole di dati, con lo svantaggio di essere balck-box, ossia non è possibile osservare e comprendere i meccanismi che governano le decisioni prese dagli algoritmi. Per risolvere questo problema è nata una nuova branca di studio: explainable artificial intelligence XAI. Questa si occupa della ricerca delle informazioni del dato in input sono state fondamentali per la creazione del modello, rendendo il machine learning comprensibile. Nel capitolo di background è stato introdotto XAI presentando le sue basi teoriche, i modelli di machine e deep learning incontrati durante la revisione e il segnale EEG. Nel secondo capitolo è stata svolta una revisione dello stato dell’arte dei metodi di XAI per l’analisi di segnali EEG. I metodi trovati sono diciassette e si differenziano in base alla modalità in cui agiscono. Nel terzo capitolo viene svolta un’analisi dei risultati ottenuti nel tentativo di rispondere a tre domande: (a) cosa è in grado di spiegare XAI nel caso di studi su EEG? (b) come influisce il preprocessing sui risultati che XAI può fornire? (c) vantaggi e svantaggi nell’utilizzo di XAI.
2021
Explainable AI for EEG signals analysis
elaborazione segnali
machine learning
explainable AI
EEG
File in questo prodotto:
File Dimensione Formato  
ZORZETTO_ANNA.pdf

accesso riservato

Dimensione 2.01 MB
Formato Adobe PDF
2.01 MB Adobe PDF

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/10504