| Περίληψη: | H παρούσα διπλωματική εργασία κινείται στον κλάδο της επεξερ-
γασίας σήματος και ταξινόμησης στην αντίστοιχη κλάση με χρήση
Βαθιάς Μάθησης. Σκοπός είναι η υλοποίηση ενός μοντέλου έγκαιρης ανί-
χνευσης επιληπτικής κρίσης, από ένα νευρωνικό δίκτυο μακράς βραχυπρό-
θεσμης μνήμης (Long Short Term Memory-LSTM), το οποίο δέχεται σαν
είσοδο εξαχθέντα χαρακτηριστικά από ηλεκτροεγκεφαλογραφήματα ασθε-
νών που πάσχουν από επιληψία της ανοιχτά προσβάσιμης βάσης δεδομέ-
νων CHB-MIT. Τα αποτελέσματα είναι άμεσα συγκρίσιμα με ήδη εφαρμό-
σιμες υλοποιήσεις, οι οποίες, ωστόσο, απαιτούν πολύ μεγάλη υπολογιστική
ισχύ και έχουν ιδιαίτερα μεγάλη πολυπλοκότητα κατά το σχεδιασμό. Με
βάση το μοντέλο του LSTM, του οποίου η αρχιτεκτονική καιπροσέγγιση
χρησιμοποιείται, σχεδιάζεται ένα δίκτυο ταξινόμησης των εξαχθέντων χα-
ρακτηριστικών, σε δύο κλάσεις, τα σήματα που προηγούνται της επιληπτι-
κής κρίσης (preictal segments) και τα σήματα που διαδέχονται τις επιλη-
πτικές κρίσεις (interictal segments).
Αρχικά, φορτώνονται τα δεδομένα, τμηματοποιούνται σε μη επι-
καλυπτόμενα παράθυρα ίδιας διάρκειας και ανατίθενται στην αντίστοιχη
κλάση, βάσει των αρχείων σχολιασμού των ειδικών. Στηνσυνέχεια, τα τμή-
ματα σημάτων της κάθε κλάσης διέρχονται από την ενότητα εξαγωγής χα-
ρακτηριστικών, όπου εξάγονται χαρακτηριστικά, ευστόχως αντιπροσωπευ-
τικά για το περιεχόμενο τωνσημάτων και δημιουργούνται τα κατάλληλα
σύνολα για την εκπαίδευση και την αξιολόγηση του μοντέλου. Τέλος, δη-
μιουργούνται και συγκρίνονται τρεις διαφορετικές αρχιτεκτονικές (από την
απλούστερη στην πιο σύνθετη) του μοντέλου, το οποίο δεχόμενο τα δια-
νύσματα των εξαγώμενων χαρακτηριστικών, αποδίδει τελικά προβλέψεις
για την κατηγορία στην οποία αυτά ανήκουν, στα πλαίσια ενός χρονικού
παραθύρου προ-κρίσης κατάστασης 15 λεπτών, 30 λεπτών και 60 λεπτών.
Ορίζοντας παραμέτρους όπως η απώλεια και ο αλγόριθμος βελτιστοποίη-
σης εκπαιδεύεται το μοντέλο για σύνολο 50 εποχών, δημιουργώντας έναν
αποδοτικό και ακριβή ταξινομητή για ηλεκτροεγκεφαλογραφικά σήματα.
Η υλοποίηση του μοντέλου έγινε με χρήση της γλώσσας προγραμ-
ματισμού Python, ενώ η ανάπτυξη και ο σχεδιασμός του δικτύου βασίστηκε
στη βιβλιοθήκη TensorFlow.
|
|---|
