Projektová činnosť

Zuzana Rošťáková

Výber projektov:

Národné projekty

CARE-BCI – Kooperatívna AI BCI-HMD rehabilitácia pre pacientov po cievnej mozgovej príhode
Cooperative AI-enhanced BCI-HMD rehabilitation for post-stroke recovery
Program: APVV
Doba trvania: 1.9.2026 – 31.8.2030
Zodpovedný riešiteľ: Ing. Mgr. Rosipal Roman, DrSc.
Anotácia: Cieľom projektu je posunúť neurorehabilitáciu po mozgovej príhode prostredníctvom vývoja umelou inteligenciou podporovaného kolaboratívneho rozhrania mozog–počítač (BCI) integrovaného s virtuálnou realitou (VR) prostredníctvom VR náhlavných displejov. AI je kľúčovým nástrojom projektu, ktorý umožňuje adaptívne dekódovanie neurálnych signálov, monitorovanie kognitívneho stavu a dátovo riadenú optimalizáciu rehabilitačných protokolov. Osobitná pozornosť je venovaná tvorbe kooperatívneho, zdieľaného rehabilitačného prostredia, v ktorom pacient a terapeut spoločne vykonávajú úlohu v reálnom čase. Spojenie AI-riadených adaptácií a spolupráce ide za rámec izolovaného vykonávania úloh a umožňuje sociálne interaktívnu, koordinovanú motorickú rehabilitáciu s vysokou ekologickou validitou.Tento prístup rozširuje súčasný stav využitím AI pre adaptívne dekódovanie motorických predstáv, monitorovanie kognitívneho zaťaženia a longitudinálnu meta-analýzu rehabilitačných trajektórií. Aktívne BCI komponenty používajú personalizované modely na dekódovanie motorických predstáv pri variabilite medzi aj v rámci jednotlivých pacientov, zatiaľ čo pasívne BCI kontinuálne sleduje kognitívne zaťaženie, únavu a zapojenie pacienta. Exploračná časť skúma možnosti realizácie AI-asistovaného terapeutického agenta, ktorý čiastočne podporuje činnosti terapeuta v rámciimerzívneho kooperatívneho VR prostredia, pričom zachováva bezpečnosť, interpretovateľnosť a klinický dohľad.Ambíciou je vytvoriť škálovateľný a personalizovaný rámec neurorehabilitácie, ktorý zvyšuje terapeutickú účinnosť, posilňuje interakciu medzi pacientom a terapeutom prostredníctvom spoločných VR úloh a znižuje záťaž terapeuta. Integrácia aktívneho a pasívneho BCI, kooperatívnej VR a vysvetliteľnej AI v jednom systéme má za cieľ generovať nové vedecké poznatky o dynamike rehabilitácie a poskytnúť klinicky relevantnú cestu k prístupnej, dátami riadenejneurorehabilitácii v klinickom aj domácom prostredí.
EDABSS – Analýza EEG signálu pomocou metód hľadania skrytých zdrojov
EEG data analysis by blind source separation methods
Program: Plán obnovy EÚ
Doba trvania: 1.9.2024 – 31.8.2026
Zodpovedný riešiteľ: Mgr. Rošťáková Zuzana, PhD.
Anotácia: Metódy hľadania skrytých, priamo nepozorovateľných (latentných) štruktúr (blind source separation methods, BSS) v reálnych dátach patria do skupiny metód strojového učenia bez učiteľa. V nemalej miere sa využívajú pri spracovaní obrazu, medicínskom zobrazovaní alebo v hudbe. Tento projekt sa zameriava najmä na analýzu ľudského elektroencefalogramu (EEG), v ktorom je možné pomocou BSS detegovať úzkopásmové oscilácie reprezentujúce procesy v mozgu, či už u zdravých ľudí alebo pacientov s neurologickými ochoreniami a poškodeniami. Na tento účel sa v praxi často využívajú dvojdimenzionálne BSS, ako je napríklad metóda hlavných alebo nezávislých komponentov, pretože sú ľahko implementovateľné a zrozumiteľné aj pre medicínsku a neurologické komunitu. Vlastnosti získaných latentných komponentov však nie vždy korešpondujú s charakterom reálneho signálu a strácajú tak neurofyziologickú interpretáciu. Metódy tenzorickej dekompozície sú síce komplexnejšie z matematického hľadiska, ale vyznačujú sa vysokou flexibilitou modelu a jeho adaptabilitou na konkrétne reálne dáta. Predkladaný projekt bude skúmať možnosti využitia tenzorickej dekompozície i) pri predspracovaní EEG signálu, detekcií a odstránení artefaktov a nežiadúcich komponentov z EEG, ii) analýze latentnej štruktúry EEG pomocou modelov tenzorickej dekompozície s blokovou štruktúrou umožňujúcou lepšie modelovať vzťahy medzi latentnými komponentami, a iii) analýzu dynamických vlastností EEG latentných komponentov. Nové informácie o latentnej štruktúre EEG ako aj navrhnuté algoritmy prispejú k hlbšiemu pochopeniu procesov prebiehajúcich v mozgu a následne k návrhu procedúr pre liečbu a rehabilitáciu pacientov s neurofyziologickým ochorením alebo poškodením.