Δημιουργία μοντέλου πρόβλεψης επιληπτικών κρίσεων

Η παρούσα διπλωματική εργασία ερευνά το πρόβλημα της επιληψίας από την σκοπιά των ψηφια- κών σημάτων και την ανάλυση αυτών. Επιχειρεί να κατηγοριοποιήσει δυο διαφορετικές καταστά- σεις του εγκεφάλου (Inter-Ictal και Pre-Ictal) και να εξάγει χαρακτηριστικά με σκοπό την δημιουργία αλγόριθμου ανίχνε...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Κίτσος, Φίλιππος
Άλλοι συγγραφείς: Ψαρακης, Εμμανουήλ
Μορφή: Thesis
Γλώσσα:Greek
Έκδοση: 2020
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/13136
Περιγραφή
Περίληψη:Η παρούσα διπλωματική εργασία ερευνά το πρόβλημα της επιληψίας από την σκοπιά των ψηφια- κών σημάτων και την ανάλυση αυτών. Επιχειρεί να κατηγοριοποιήσει δυο διαφορετικές καταστά- σεις του εγκεφάλου (Inter-Ictal και Pre-Ictal) και να εξάγει χαρακτηριστικά με σκοπό την δημιουργία αλγόριθμου ανίχνευσης επιληπτικών κρίσεων με σκοπό την έγκυρη προειδοποίηση των ασθενών. O αλγόριθμος ανίχνευσης θα αποτελέσει μέρος ενός συστήματος, το οποίο θα είναι εμφυτευμένο στον ασθενή συνδέδεμένο με ηλεκτρόδια σε συγκεκριμένες εγκεφαλικές περιοχές (κανάλια) από τις οποίες θα παίρνει συνεχώς μετρήσεις. Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από διαγω- νισμό που φιλοξενήθηκε από το πανεπιστήμιο της Μελβούρνης. Η εργασία αυτή κατέληξε σε τρείς διαφορετικές υλοποιήσεις οι οποίες ήταν εξέλιξη των προηγουμένων. Το πρόβλημα αποδείχθηκε αρκετά σύνθετο και αρκετές τεχνικές χρειάστηκαν να υλοποιηθούν έως ότου τα αποτελέσματα κρι- θούν ικανοποιητικά. Κατά την πρώτη υλοποίηση χρησιμοποιήθηκαν πιθανοτικές τεχνικές όπως η συνάρτηση πυκνότητας πιθανότητας, η απόκλιση Kullback-Liebler ως μετρική απόστασης κατανο- μών και η διακύμανση των καναλιών. Ακολούθησαν δύο διαφορετικοί τρόποι τμηματοποίησης των χαρακτηριστικών αυτών σε μικρότερες υπο-ομάδες για την βελτιστοποίηση των αποτελεσμάτων με την k-means και με χρήση των μητρώων αυτοσυσχέτισης. Η δεύτερη υλοποίηση είχε σκοπό να εξε- ρευνήσει εάν υπάρχει η δυνατότητα διαχωρισμού των δύο κλάσεων με την χρήση ενός μοντέλου SVM. Το μοντέλο τροφοδοτήθηκε από μη-προεπεξεργασμένα υποδειγματοληπτημένα δεδομένα. Ο διαχωρισμός ήταν επιτυχής αλλά υπήρχε overfit και το μοντέλο είχε αρκετά μεγάλη διάσταση. Η τρίτη υλοποίηση αποτελείται από την εξαγωγή στατιστικών χαρακτηριστικών, όπως οι παράμετροι Hjorth, Λοξότητα, Κύρτοση, διαστάσεις Fractal κ.α, και η εκπαίδευση ενός κοινού μοντέλου SVM για όλους τους ασθενείς τροφοδοτημένο από τα παραπάνω χαρακτηριστικά. Η παρουσίαση των πειραματικών αποτελεσμάτων των παραπάνω υλοποιήσεων, τα ποσοστά επιτυχίας καθώς και μια προσπάθεια οπτικοποίησης με την τεχνική μείωσης διάστασης t-SNE, ολοκληρώνουν την εργασία.