נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
אלגוריתמי למידה והערכת ביצועים עבור רשת עצבית SNN
Training algorithms for Spiking Neural Networks
תקציר בעיברית
כיום ישנם ניסיונות רבים לזהות חריגות באותות EEG. אחת הדרכים המקובלות היא שיפור יכולות חיזוי של החריגות וסיווגן. בפרויקט שלנו עסקנו בשיפור יכולת זו על ידי שימוש ברשת נוירונים שלומדת לבצע חיזוי של אותן אנומליות בזמן אמת. המטרה המרכזית של הפרויקט היא שיפור יכולות חיזוי החריגות של אותות EEG תוך כדי שימוש ברשת עצבית הצורכת הספק דל בעת השימוש. על מנת לעמוד ביעדים פיתחנו רשת נוירונים מסוג SNN מבוססת AE תוך יישום של אלגוריתם STDP לצורך "זיהוי אנומליה". בנוסף השתמשנו בארכיטקטורה חסכונית בהספק של נוירון מסוג SCTN המאפשרת פיתוח של רשת חסכונית באנרגיה ובעלת יכולות זיהוי טובות. מודל הרשת מיושם באמצעות PYTHON. התוצאות שהושגו מאפשרות שדרוג ושיפור הרשת לקבלת יציבות והכללה של הרשת והתאמה של משתני הרשת והמשקולות בתהליך אימון מבוקר כתלות באפליקציה.
תקציר באנגלית
Today there are many attempts to detect anomalies in EEG signals. One of the accepted ways is to improve predictive capabilities of the anomalies and their classification. In our project we worked on improving this ability by using a neural network that learns to predict those anomalies in real time. The main goal of the project is to improve the ability to predict the abnormalities of EEG signals while using a neural network that consumes little power during use. In order to meet the goals, we developed an AE-based SNN neural network while applying the STDP algorithm for "anomaly detection". In addition, we used a power-efficient architecture of an SCTN type neuron that allows the development of an energy-efficient network with good detection capabilities. The network model is implemented using PYTHON. The results obtained allow upgrading and improving the network to obtain stability and generalization of the network and adjustment of the network variables and weights in a controlled training process depending on the application.