Die Bachelorarbeit „Entwicklung und Optimierung eines rekurrenten Neuronalen Netzes für die Prädiktion eines sequentiellen Gedächtnistests“ widmet sich der Suche nach einem rekurrenten neuronalen Netz, das aus EEG-Daten die Vorhersage für die Leistung von Versuchspersonen in einem sequentiellen Gedächtnistest liefern soll.
Zunächst wird kurz der Ablauf des Gedächtnistests geschildert, was Elektroenzephalografie (EEG) ist und was für Probleme beim Modell daraus entstehen können (Generalisierbarkeit). Der letzte Punkt befasst sich mit Merkmalen, die für EEG-Signale prädestiniert sind und welche Indikatoren diese in der Gehirnforschung geben können. Nachdem die großen Bausteine besprochen wurden, widmet sich das Kapitel „Modell“ drei Schwerpunkten: (1) Einführung in künstliche neuronale Netze (ANN), Aufbau eines rekurrenten neuronalen Netzes (RNN), seine Probleme und eine mögliche Lösung (LSTM). Als nächstes folgt (2) die Optimierung, die sich mit der Hyperparameteroptimierung und der Merkmalsselektion auseinandersetzt. Dann folgt (3) eine Einführung in ausgewählte Metriken (UAR, F1-Score) und die Evaluierung in Form von Kreuzvalidierung und Permutationstests (statistische Signifikanz). Bei der Auswertung werden die erhaltenen Resultate nach den gesetzten Kriterien verglichen.