Show simple item record

dc.contributor.advisorTiihonen, Timo
dc.contributor.authorNordlund, Tuomas
dc.date.accessioned2022-12-21T10:33:40Z
dc.date.available2022-12-21T10:33:40Z
dc.date.issued2022
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/84536
dc.description.abstractKeinotekoiset neuroverkot ovat tehokkaita laskennallisia työkaluja merkityksellisten piirteiden irroittamiseen suurista datamassoista. Aivokuvantamismenetelmien kehittyessä aivoista saadaan yhä enemmän dataa terveydenhuollon ja tieteellisen tutkimuksen tarpeisiin. Näiden datamäärien käsittely manuaalisesti vaatii kuitenkin suuria inhimillisiä ponnisteluja. Siitä huolimatta kaikkea sitä tietoa, joka voisi olla hyödyllistä tai tarpeellista, ei siltikään saada irti, eikä sitä välttämättä edes osata etsiä. Neuroverkkoja kehitetään jatkuvasti vastaamaan näihin kasvaviin haasteisiin, ja tutkimusten perusteella ne soveltuvat hyvin moniulotteisen aivokuvantamisdatan käsittelyyn. Neuroverkot pystyvät oppimaan monien eri sairauksien piirteitä aivoista tallennetuista signaaleista. Neuroverkot voidaan opettaa tunnistamaan terveiden aivojen eri tiloja esimerkiksi tehtävien ja koettujen tunteiden aikana. Neuroverkkoja voidaan myös hyödyntää aivokäyttöliittymäsovelluksissa, jossa ne tulkitsevat nopeasti EEG-datasta käyttäjän antaman käskyn.fi
dc.description.abstractArtificial neural networks are powerful computational tools for extracting meaningful features from big datasets. As brain imaging techniques develop further, more and more data is being gathered from the brain to meet the needs of healthcare and scientific research. Processing all of this data manually requires great human effort. Nevertheless, all of the information which could be useful or important cannot be extracted, and some of it we do not even know to search. Neural networks are being constantly developed to meet these increasing demands, and based on research they are well suited for the processing of multidimensional brain imaging data. Neural networks are able to learn the features of many different disorders from the signals recorded from the brain. Neural networks can also be taught to recognize different states of a healthy brain, for example during tasks or experienced emotions. Neural networks can also be applied in brain-computer interface applications, where they rapidly interpret the commands of the user from EEG data.en
dc.format.extent34
dc.language.isofi
dc.subject.otherkeinotekoinen neuroverkko
dc.subject.otheraivokuvantaminen
dc.subject.otherneuroni
dc.subject.otheraivosähkökäyrä
dc.subject.otherkonvoluutioverkko
dc.titleNeuroverkkoihin pohjautuvat koneoppimismallit aivokuvantamismenetelmien tukena
dc.identifier.urnURN:NBN:fi:jyu-202212215782
dc.type.ontasotBachelor's thesisen
dc.type.ontasotKandidaatintyöfi
dc.contributor.tiedekuntaInformaatioteknologian tiedekuntafi
dc.contributor.tiedekuntaFaculty of Information Technologyen
dc.contributor.laitosInformaatioteknologiafi
dc.contributor.laitosInformation Technologyen
dc.contributor.yliopistoJyväskylän yliopistofi
dc.contributor.yliopistoUniversity of Jyväskyläen
dc.contributor.oppiaineTietotekniikkafi
dc.contributor.oppiaineMathematical Information Technologyen
dc.rights.copyrightJulkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.fi
dc.rights.copyrightThis publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.en
dc.contributor.oppiainekoodi602
dc.subject.ysohermosolut
dc.subject.ysosyväoppiminen
dc.subject.ysoneuroverkot
dc.subject.ysoaivot
dc.subject.ysomagneettikuvaus
dc.subject.ysokoneoppiminen
dc.subject.ysoEEG


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record