Eπεξεργασία εγκεφαλογραφήματος για έγκαιρη ανίχνευση επιληπτικής κρίσης
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 Me...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/15843 |
| id |
nemertes-10889-15843 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Bαθιά μάθηση Επιληψία Νευρωνικά δίκτυα Ηλεκτροεγκεφαλογραφία Ταξινόμηση Deep learning LSTM Epilepsy Electroencephalography (EEG) Classification Tensorflow |
| spellingShingle |
Bαθιά μάθηση Επιληψία Νευρωνικά δίκτυα Ηλεκτροεγκεφαλογραφία Ταξινόμηση Deep learning LSTM Epilepsy Electroencephalography (EEG) Classification Tensorflow Μενάγια, Ελένη Eπεξεργασία εγκεφαλογραφήματος για έγκαιρη ανίχνευση επιληπτικής κρίσης |
| description |
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. |
| author2 |
Μenagia, Eleni |
| author_facet |
Μenagia, Eleni Μενάγια, Ελένη |
| author |
Μενάγια, Ελένη |
| author_sort |
Μενάγια, Ελένη |
| title |
Eπεξεργασία εγκεφαλογραφήματος για έγκαιρη ανίχνευση επιληπτικής κρίσης |
| title_short |
Eπεξεργασία εγκεφαλογραφήματος για έγκαιρη ανίχνευση επιληπτικής κρίσης |
| title_full |
Eπεξεργασία εγκεφαλογραφήματος για έγκαιρη ανίχνευση επιληπτικής κρίσης |
| title_fullStr |
Eπεξεργασία εγκεφαλογραφήματος για έγκαιρη ανίχνευση επιληπτικής κρίσης |
| title_full_unstemmed |
Eπεξεργασία εγκεφαλογραφήματος για έγκαιρη ανίχνευση επιληπτικής κρίσης |
| title_sort |
eπεξεργασία εγκεφαλογραφήματος για έγκαιρη ανίχνευση επιληπτικής κρίσης |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/15843 |
| work_keys_str_mv |
AT menagiaelenē epexergasiaenkephalographēmatosgiaenkairēanichneusēepilēptikēskrisēs AT menagiaelenē eegbasedearlydetectionofepilepsy |
| _version_ |
1771297188427595776 |
| spelling |
nemertes-10889-158432022-09-05T09:41:12Z Eπεξεργασία εγκεφαλογραφήματος για έγκαιρη ανίχνευση επιληπτικής κρίσης EEG-based early detection of epilepsy Μενάγια, Ελένη Μenagia, Eleni Bαθιά μάθηση Επιληψία Νευρωνικά δίκτυα Ηλεκτροεγκεφαλογραφία Ταξινόμηση Deep learning LSTM Epilepsy Electroencephalography (EEG) Classification Tensorflow 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. This diploma thesis deals with the field of Deep Learning and especially studies its application in prediction of epileptic seizures using EEG signals. The goal is to implement a Long Short-Term Memory network for binary classification of preictal and interictal EEG signals. A moving window analysis is performed to split the raw EEG data in to segments of smaller duration that are then used for feature extraction. The EEG segments are then passed through the feature extraction module, where a wide variety of the most commonly used EEG features is extracted to jointly produce a 833x1 feature vector from each segment. The feature extraction module includes units for time and frequency EEG analysis and estimation of between-signals to provide the most informative feature space possibly. Feature extraction offers dimensionality reduction and more complex, higher order feature spaces which can increase the discriminative power of the classification algorithm used to isolate preictal EEG segments. The learning potential of the LSTM model is used to assess the significance of each feature in the final decision making, as there is no separate feature selection step prior to classification. The feature space is internally evaluated for each patient by the LSTM model that learns the most informative features and adopts to patient-specific particularities in order to produce a more effective, personalized seizure predictor. Considering that EEG signals are essentially highly dynamic, non-linear time series data, LSTM networks have by design an advantage over other networks in isolating temporal characteristics of brain activity during different states. A pre-analysis is initially performed to find optimal architecture of the LSTM network by testing several modules and layers of memory units. Based on those results, a two-layer LSTM network is selected to evaluate seizure prediction performance using three different lengths of preictal windows, ranging from 15 min to 1 hour. The evaluation is performed using long-term extracranial EEG recordings from the open CHB-MIT EEG database. The implementation of the aforementioned model was done using Python programming language, while the design and the whole architecture was based on TensorFlow framework. 2022-02-28T09:14:51Z 2022-02-28T09:14:51Z 2022-02-18 http://hdl.handle.net/10889/15843 gr application/pdf |
