Global ETD Search

71	EVOKED PHASE COHERENCE AS A BIOMARKER FOR ADAPTIVE NEUROMODULATION IN RAT MODEL OF PARKINSON'S DISEASE Zackrisson, Love January 2023 (has links) Neuromodulation, such as spinal cord stimulation (SCS) and deep brain stimulation (DBS), has been shown to modulate pathophysiological brain activity and provide symptomatic therapy for several neurological disorders, including Parkinson’s Disease. The effectiveness of this therapy could likely be further improved by neuromodulation that is adaptive, delivering stimulation more selectively, by monitoring a biomarker in recorded brain signals, which indicates the presence of a pathological state. In the treatment of Parkinson’s Disease, the most commonly proposed solutions for adaptive neuromodulation are relying on excessive beta-band oscillatory activity as a biomarker, which is however often highly variable between patients during movement and in conjunction with neuromodulatory treatment, such as levodopa. These limitations hinder broader use of this biomarker and prompts further research for alternative solutions. In this work, we instead present the use of a novel feature of evoked electrophysiological activity, which utilizes the inter-trial phase coherence between stimulation pulses, to classify parkinsonian brain states in 6-OHDA lesioned rats. We developed a method, which relates to the rate of decay in inter-tral phase coherence, evoked by single SCS or DBS pulses, that is able to statistically separate experimental conditions recorded from a dopaminergic depleted hemisphere from conditions a non-depleted hemisphere, while also being able to separate conditions with levodopa treatment from conditions without treatment. For animals undergoing SCS we can classify phase decay measurements from pharmacologically treated or untreated parkinsonian states, using a Bayesian model, with a high accuracy and strong classifier performance for a single channel (AUC 0.85 – 0.99) in the motor cortex and striatum. In ongoing experiments, similar implementation of adaptive DBS is being evaluated. Our results support the implementation of our feature in a protocol aimed at performing closed-loop neuromodulation in the 6-OHDA rat model of Parkinon’s Disease, that can serve as the basis for further studies. / Neuromodulering, såsom ryggmärgsstimulering (SCS) och djup hjärnstimulering (DBS), har visat sig kunna modulera patofysiologisk hjärnaktivitet och ge symtomatisk behandling av flera neurologiska sjukdomar, inklusive Parkinsons sjukdom. Effekten av denna behandling skulle sannolikt kunna förbättras ytterligare genom neuromodulering som är adaptiv och ger stimulering mer selektivt, genom övervakning av en biomarkör i registrerade hjärnsignaler, som indikerar förekomsten av ett patologiskt tillstånd. Vid behandling av Parkinsons sjukdom förlitar sig de vanligaste lösningarna för adaptiv neuromodulering på överdriven beta-bands oscillatorisk aktivitet som en biomarkör som dock ofta är mycket varierande mellan patienter, under rörelse och i samband med behandling så som levodopa. Dessa begränsningar hindrar en bredare användning av denna biomarkör och ytterligare forskning krävs för att hitta alternativa lösningar. I detta arbete presenterar vi istället en ny egenskap hos väckt elektrofysiologisk aktivitet, som utnyttjar faskoherens mellan stimuleringspulser för att klassificera parkinsonistiska hjärntillstånd hos 6-OHDA-lesionerade råttor. Vi har utvecklat en metod som relaterar till avklingningshastigheten i faskoherens, framkallad av enstaka SCS- eller DBS-pulser, som kan statistiskt särskilja de experimentella tillstånden i en dopaminergiskt utarmad hemisfär från liknande tillstånd, fast i en icke utarmad hemisfär. Den kan även statistiskt särskilja tillstånd med levodopabehandling från tillstånd utan behandling. För djur som genomgår SCS kan vi klassificera fasförfallsmätningar från farmakologiskt behandlade eller obehandlade parkinsontillstånd, med hjälp av en Bayesiansk modell, med hög noggrannhet och stark klassificeringsprestanda för en enda kanal (AUC 0,85 - 0,99) i motorcortex och striatum. I pågående experiment utvärderas en liknande implementering av adaptiv DBS. Våra resultat stöder implementeringen av vår funktion i ett protokoll som syftar till att utföra sluten neuromodulering i 6-OHDA-råttmodellen för Parkinons sjukdom, som kan tjäna som grund för ytterligare studier. Adaptive Closed Loop Neuromodulation Parkinson’s Disease Rat model 6-OHDA ITC Phase Coherence Bayesian Model Classifier Spinal Cord Stimulation Deep Brain Stimulation. Adaptiv Closed Loop Neuromodulation Parkinson’s Sjukdom Råttmodell 6-OHDA ITC Faskoherens Bayesiansk Modell Klassificerare Ryggradsstimulering Djup Hjärnstimulering. Other Medical Biotechnology Annan medicinsk bioteknologi
72	Reinforcement Learning for Market Making / Förstärkningsinlärningsbaserad likviditetsgarantering Carlsson, Simon, Regnell, August January 2022 (has links) Market making – the process of simultaneously and continuously providing buy and sell prices in a financial asset – is rather complicated to optimize. Applying reinforcement learning (RL) to infer optimal market making strategies is a relatively uncharted and novel research area. Most published articles in the field are notably opaque concerning most aspects, including precise methods, parameters, and results. This thesis attempts to explore and shed some light on the techniques, problem formulations, algorithms, and hyperparameters used to construct RL-derived strategies for market making. First, a simple probabilistic model of a limit order book is used to compare analytical and RL-derived strategies. Second, a market making agent is trained on a more complex Markov chain model of a limit order book using tabular Q-learning and deep reinforcement learning with double deep Q-learning. Results and strategies are analyzed, compared, and discussed. Finally, we propose some exciting extensions and directions for future work in this research field. / Likviditetsgarantering (eng. ”market making”) – processen att simultant och kontinuerligt kvotera köp- och säljpriser i en finansiell tillgång – är förhållandevis komplicerat att optimera. Att använda förstärkningsinlärning (eng. ”reinforcement learning”) för att härleda optimala strategier för likviditetsgarantering är ett relativt outrett och nytt forskningsområde. De flesta publicerade artiklarna inom området är anmärkningsvärt återhållsamma gällande detaljer om de tekniker, problemformuleringar, algoritmer och hyperparametrar som används för att framställa förstärkningsinlärningsbaserade strategier. I detta examensarbete så gör vi ett försök på att utforska och bringa klarhet över dessa punkter. Först används en rudimentär probabilistisk modell av en limitorderbok som underlag för att jämföra analytiska och förstärkningsinlärda strategier. Därefter brukas en mer sofistikerad Markovkedjemodell av en limitorderbok för att jämföra tabulära och djupa inlärningsmetoder. Till sist presenteras även spännande utökningar och direktiv för framtida arbeten inom området. Reinforcement learning Market making Deep reinforcement learning Limit order book Algorithmic trading High-frequency trading Machine learning Artificial intelligence Q-learning DDQN Förstärkningsinlärning Market making Djup förstärkningsinlärning Limitorderbok Algoritmisk handel Högfrekvenshandel Maskininlärning Artificiell intelligens Q-learning DDQN Other Mathematics Annan matematik
73	Deep Reinforcement Learning for Multi-Agent Path Planning in 2D Cost Map Environments : using Unity Machine Learning Agents toolkit Persson, Hannes January 2024 (has links) Multi-agent path planning is applied in a wide range of applications in robotics and autonomous vehicles, including aerial vehicles such as drones and other unmanned aerial vehicles (UAVs), to solve tasks in areas like surveillance, search and rescue, and transportation. In today's rapidly evolving technology in the fields of automation and artificial intelligence, multi-agent path planning is growing increasingly more relevant. The main problems encountered in multi-agent path planning are collision avoidance with other agents, obstacle evasion, and pathfinding from a starting point to an endpoint. In this project, the objectives were to create intelligent agents capable of navigating through two-dimensional eight-agent cost map environments to a static target, while avoiding collisions with other agents and simultaneously minimizing the path cost. The method of reinforcement learning was used by utilizing the development platform Unity and the open-source ML-Agents toolkit that enables the development of intelligent agents with reinforcement learning inside Unity. Perlin Noise was used to generate the cost maps. The reinforcement learning algorithm Proximal Policy Optimization was used to train the agents. The training was structured as a curriculum with two lessons, the first lesson was designed to teach the agents to reach the target, without colliding with other agents or moving out of bounds. The second lesson was designed to teach the agents to minimize the path cost. The project successfully achieved its objectives, which could be determined from visual inspection and by comparing the final model with a baseline model. The baseline model was trained only to reach the target while avoiding collisions, without minimizing the path cost. A comparison of the models showed that the final model outperformed the baseline model, reaching an average of $27.6\%$ lower path cost. / Multi-agent-vägsökning används inom en rad olika tillämpningar inom robotik och autonoma fordon, inklusive flygfarkoster såsom drönare och andra obemannade flygfarkoster (UAV), för att lösa uppgifter inom områden som övervakning, sök- och räddningsinsatser samt transport. I dagens snabbt utvecklande teknik inom automation och artificiell intelligens blir multi-agent-vägsökning allt mer relevant. De huvudsakliga problemen som stöts på inom multi-agent-vägsökning är kollisioner med andra agenter, undvikande av hinder och vägsökning från en startpunkt till en slutpunkt. I detta projekt var målen att skapa intelligenta agenter som kan navigera genom tvådimensionella åtta-agents kostnadskartmiljöer till ett statiskt mål, samtidigt som de undviker kollisioner med andra agenter och minimerar vägkostnaden. Metoden förstärkningsinlärning användes genom att utnyttja utvecklingsplattformen Unity och Unitys open-source ML-Agents toolkit, som möjliggör utveckling av intelligenta agenter med förstärkningsinlärning inuti Unity. Perlin Brus användes för att generera kostnadskartorna. Förstärkningsinlärningsalgoritmen Proximal Policy Optimization användes för att träna agenterna. Träningen strukturerades som en läroplan med två lektioner, den första lektionen var utformad för att lära agenterna att nå målet, utan att kollidera med andra agenter eller röra sig utanför gränserna. Den andra lektionen var utformad för att lära agenterna att minimera vägkostnaden. Projektet uppnådde framgångsrikt sina mål, vilket kunde fastställas genom visuell inspektion och genom att jämföra den slutliga modellen med en basmodell. Basmodellen tränades endast för att nå målet och undvika kollisioner, utan att minimera vägen kostnaden. En jämförelse av modellerna visade att den slutliga modellen överträffade baslinjemodellen, och uppnådde en genomsnittlig $27,6\%$ lägre vägkostnad. deep reinforcement learning reinforcement learning machine learning path planning cost map ML-agents unity artificial neural networks collision avoidance PPO multi agent multi-agent multi-agent system förstärkningsinlärning djup förstärkningsinlärning fleragentssystem kostnadkarta kostnadskartor artificiella neurala nätverk maskininlärning proximal policy optimization PPO svärmintelligens
74	ML implementation for analyzing and estimating product prices / ML implementation för analys och estimation av produktpriser Kenea, Abel Getachew, Fagerslett, Gabriel January 2024 (has links) Efficient price management is crucial for companies with many different products to keep track of, leading to the common practice of price logging. Today, these prices are often adjusted manually, but setting prices manually can be labor-intensive and prone to human error. This project aims to use machine learning to assist in the pricing of products by estimating the prices to be inserted. Multiple machine learning models have been tested, and an artificial neural network has been implemented for estimating prices effectively. Through additional experimentation, the design of the network was fine-tuned to make it compatible with the project’s needs. The libraries used for implementing and managing the machine learning models are mainly ScikitLearn and TensorFlow. As a result, the trained model has been saved into a file and integrated with an API for accessibility. Machine Learning ML Regression Deep Learning Artificial Neural Network ANN TensorFlow ScikitLearn CUDA cuDNN Estimation Prediction AI Artificial Intelligence Price Tracking Price Logging Price Estimation Supervised Learning Random Forest Decision Trees Batch Learning Hyperparameter Tuning Linear Regression Multiple Linear Regression Maskininlärning Djup lärning Artificiellt Neuralt Nätverk Regression TensorFlow SciktLearn ML ANN Estimation Uppskattning CUDA cuDNN AI Artificiell Intelligens pris loggning pris estimation prisspårning Batchinlärning Hyperparameterjustering Linjär Regression Multipel Linjär Regression Supervised Learning Random Forest Decision Trees Computer Engineering Datorteknik
75	Revision of an artificial neural network enabling industrial sorting Malmgren, Henrik January 2019 (has links) Convolutional artificial neural networks can be applied for image-based object classification to inform automated actions, such as handling of objects on a production line. The present thesis describes theoretical background for creating a classifier and explores the effects of introducing a set of relatively recent techniques to an existing ensemble of classifiers in use for an industrial sorting system.The findings indicate that it's important to use spatial variety dropout regularization for high resolution image inputs, and use an optimizer configuration with good convergence properties. The findings also demonstrate examples of ensemble classifiers being effectively consolidated into unified models using the distillation technique. An analogue arrangement with optimization against multiple output targets, incorporating additional information, showed accuracy gains comparable to ensembling. For use of the classifier on test data with statistics different than those of the dataset, results indicate that augmentation of the input data during classifier creation helps performance, but would, in the current case, likely need to be guided by information about the distribution shift to have sufficiently positive impact to enable a practical application. I suggest, for future development, updated architectures, automated hyperparameter search and leveraging the bountiful unlabeled data potentially available from production lines. artificial neural networks machine learning deep learning connectionism pattern recognition machine learning automation image analysis information technology applied mathematics mathematical optimization information theory mathematical statistics mathematical models stochastic models probabilities chance approximations algorithms computer programs computer software signal processing high performance computing numerical methods high technology industries sustainable development artificiella neurala nätverk maskininlärning djup maskininlärning konnektionism mönsterigenkänning automatisering bildanalys informationsteknik tillämpad matematik optimering informationsteori statistisk inferens matematiska modeller stokastiska modeller sannolikhetskalkyl slumpen approximationer algoritmer datorprogram programvara signalbehandling högpresterande beräkningar numeriska metoder teknikutveckling maskinindustri högteknologisk industri maskinhandel skrothandel bärkraftig utveckling Robotics Robotteknik och automation Probability Theory and Statistics Sannolikhetsteori och statistik Other Computer and Information Science Annan data- och informationsvetenskap Signal Processing Signalbehandling

Page generated in 0.0425 seconds