Deep Learning w analizie EEG: przeglad metod i architektur
Szczegolowy przeglad architektur sieci neuronowych — od CNN przez LSTM po Transformery.
## Tech Stack: od sygnalu do diagnozy
Pipeline analizy sygnalow EEG w NeuroRozwój + to zlozona architektura laczaca przetwarzanie sygnalow cyfrowych z zaawansowanymi modelami uczenia glebokeigo.
## Preprocessing
Surowy sygnal EEG wymaga starannego przetworzenia: filtracja pasmowa (0.5-100 Hz), notch filter (50 Hz), usuwanie artefaktow (ICA), re-referencja, segmentacja na epoki 2s z 50% overlap.
## Architektura modelu
Wykorzystujemy trzy warstwy: EEGNet (konwolucyjna) z depthwise separable convolutions do ekstrakcji cech, Transformer z multi-head spatial attention do dynamicznego wazenia informacji miedzyregionalnej, oraz klasyfikator z oszacowaniem niepewnosci (Monte Carlo Dropout).
## Infrastruktura
Stack technologiczny obejmuje: PyTorch + Lightning (training), ONNX Runtime (inference), FastAPI + WebSocket (API), Next.js + Three.js (frontend), PostgreSQL + Prisma (baza danych), Vercel + Railway (hosting).
Model jest walidowany metoda nested cross-validation (5x5), co minimalizuje ryzyko overfittingu.