Sentiment Analysis of EEG Technical Reports

dc.abstract.en	Electroencephalography is an essential diagnostic tool in the modern health sector. Yet, studies report moderate reliability of experts' judgements on the abnormality of signals recorded in clinical context. Recently developed models in the field of machine learning have been proposed as a potential solution. Although deep neural networks have achieved great accuracy at predicting pathology from raw EEG data, their lack of interpretability disqualifies them from being part of the diagnostic process. Natural language processing may provide a more viable alternative by limiting input data to technical reports. This reduces the possibility of reaching conclusions from medically irrelevant confounding factors. This thesis provides an account of the diagnostic capabilities of the bidirectional encoder representations from transformers architecture (BERT). Based on technical reports, three independent experts rated signals from 7500 clinical EEG examinations as either pathological or within norm. A Polish version of the BERT encoder was fine-tuned for the task of predicting expert ratings, achieving an accuracy of .972. These findings may have significant implications for the future of machine learning in clinical context.
dc.abstract.pl	Elektroencefalografia jest niezbędnym narzędziem diagnostycznym we współczesnej służbie zdrowia. Jednak badania wskazują na umiarkowaną wiarygodność ocen ekspertów dotyczących nieprawidłowości sygnałów rejestrowanych w kontekście klinicznym. Jako potencjalne rozwiązanie zaproponowano niedawno opracowane modele z zakresu uczenia maszynowego. Chociaż głębokie sieci neuronowe osiągnęły wysoką dokładność w przewidywaniu patologii na podstawie surowych danych EEG, ich brak interpretowalności dyskwalifikuje je jako element procesu diagnostycznego. Przetwarzanie języka naturalnego może stanowić bardziej realną alternatywę poprzez ograniczenie danych wejściowych do raportów technicznych. Zmniejsza to możliwość wyciągania wniosków na podstawie czynników zakłócających, które nie mają znaczenia medycznego. Niniejsza praca przedstawia możliwości diagnostyczne dwukierunkowych reprezentacji kodera z architektury transformatorów (BERT). Na podstawie raportów technicznych trzech niezależnych ekspertów oceniło sygnały z 7500 badań klinicznych EEG jako patologiczne lub mieszczące się w normie. Polska wersja kodera BERT została dostosowana do zadania przewidywania ocen ekspertów, osiągając dokładność 0,972. Wyniki te mogą mieć istotne znaczenie dla przyszłości uczenia maszynowego w kontekście klinicznym.
dc.affiliation	Uniwersytet Warszawski
dc.affiliation.department	Wydział Psychologii
dc.contributor.author	Skorupski, Jan
dc.contributor.promoter	Rogala, Jacek
dc.contributor.reviewer	Rogala, Jacek
dc.contributor.reviewer	Żygierewicz, Jarosław
dc.date.defence	2025-12-12
dc.date.issued	2025
dc.date.submitted	2025-12-04
dc.identifier.apd	246812
dc.language	en
dc.language.other	pl
dc.publisher	Uniwersytet Warszawski
dc.rights	ClosedAccess
dc.subject.en	Electroencephalography
dc.subject.en	reports
dc.subject.en	BERT
dc.subject.en	natural language processing
dc.subject.pl	Electroencefalografia
dc.subject.pl	raporty
dc.subject.pl	BERT
dc.subject.pl	przetwarzanie języka naturalnego
dc.title	Sentiment Analysis of EEG Technical Reports
dc.title.alternative	Analiza Sentymentu Technicznych Raportów EEG
dc.type	MasterThesis