Πλοήγηση ανά Συγγραφέας "Trpeski, Antonio"

Τώρα δείχνει 1 - 1 of 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Εντοπισμός επιληπτικών κρίσεων με χρήση νευρωνικών δικτύων βασισμένα σε γράφους εγκεφαλικών σημάτων.
    (ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), Τμήμα Ηλεκτρονικών Μηχανικών, 2024) Τρπέσκι, Αντόνιο; Trpeski, Antonio; Νικολόπουλος, Χρήστος; Nikolopoulos, Christos
    Η παρούσα διπλωματική εργασία παρουσιάζει ένα καινοτόμο σύστημα ανίχνευσης επιληπτικών κρίσεων με τη χρήση συνελικτικών νευρωνικών δικτύων (CNNs) πάνω σε δεδομένα ηλεκτροεγκεφαλογραφήματος (EEG), τα οποία έχουν μετατραπεί σε απεικονιστικές αναπαραστάσεις γνωστές ως "Γραφήματα Εγκεφαλικών Σημάτων". Η επιληψία, μια συχνή νευρολογική διαταραχή που επηρεάζει περίπου 50 εκατομμύρια ανθρώπους παγκοσμίως, χαρακτηρίζεται από ξαφνικές ηλεκτρικές εκφορτίσεις στον εγκέφαλο. Οι καταγραφές EEG που χρησιμοποιήθηκαν λήφθηκαν από την βάση δεδομένων CHB-MIT Scalp EEG, εφαρμόζοντας σε αυτές φίλτρο Butterworth πέμπτης τάξης (1Hz-70Hz) κατά την προεπεξεργασία των δεδομένων και στη συνέχεια τον μετασχηματισμό Hilbert για την εξαγωγή της περιβάλλουσας των σημάτων. Υπολογίστηκαν οι συντελεστές συσχέτισης Pearson μεταξύ των καναλιών EEG, δημιουργώντας πίνακες γειτνίασης (23x23) για κάθε χρονικό διάστημα 15 δευτερολέπτων, που αναπαριστούν τη δραστηριότητα του εγκεφάλου. Το CNN εκπαιδεύτηκε σε αυτούς τους πίνακες, επιτυγχάνοντας ακρίβεια 94% στην ανίχνευση κρίσεων, παρά το γεγονός ότι μόνο το 7% του συνόλου των δεδομένων περιείχε συμβάντα κρίσης. Η μελέτη αναδεικνύει την πρόκληση της ανισορροπίας δεδομένων και υπογραμμίζει την ανάγκη για πιο ισορροπημένα σύνολα δεδομένων ή και εκπαίδευση προσαρμοσμένη στον ασθενή. Η αρχιτεκτονική του CNN και οι παράμετροί του ρυθμίστηκαν προσεκτικά, αποδεικνύοντας ότι η μετατροπή των σημάτων EEG σε μορφή εικόνας ενισχύει την αναγνώριση μοτίβων κρίσεων, αξιοποιώντας τις δυνατότητες των CNNs στην ανάλυση εικόνων. Οι πρακτικές επιπτώσεις αυτής της έρευνας είναι σημαντικές, ειδικά για την προοπτική ανάπτυξης φορητών συσκευών EEG με δυνατότητα παρακολούθησης και ανίχνευσης κρίσεων σε περιβάλλοντα υψηλού κινδύνου σε πραγματικό χρόνο. Η υπολογιστική αποδοτικότητα της μεθόδου και η ανοχή διαφοροποιήσεων στην τοποθέτηση των ηλεκτροδίων την καθιστούν κατάλληλη για τέτοιες εφαρμογές. Ωστόσο, η έλλειψη περιεχομένου κρίσεων στις διαθέσιμες βάσεις δεδομένων τονίζει την ανάγκη για περισσότερες και πιο ολοκληρωμένες καταγραφές EEG. Ο ανοικτός κώδικας που αναπτύχθηκε για το παρόν έργο έχει σχεδιαστεί για να ενσωματώνει εύκολα νέα δεδομένα, διευκολύνοντας τη συνεχιζόμενη έρευνα και ανάπτυξη. Συμπερασματικά, η μετατροπή των δεδομένων EEG σε γραφήματα εγκεφαλικών σημάτων, για την διάθεση τους σε νευρωνικό δίκτυο τύπου CNNs, προσφέρει μια ισχυρή προσέγγιση για την ανίχνευση κρίσεων. Το έργο αυτό παρέχει τη βάση για μελλοντική έρευνα και ανάπτυξη, ιδιαίτερα στη δημιουργία συστημάτων παρακολούθησης σε πραγματικό χρόνο, προσαρμοσμένων στον ασθενή. Μελλοντικές εργασίες θα επικεντρωθούν στην επέκταση της εφαρμογής της μεθόδου σε άλλες βάσεις δεδομένων και στη βελτίωση του συστήματος με σκοπό την πρακτική υλοποίηση. Η μεθοδολογία που παρουσιάζεται εδώ αναδεικνύει επίσης την προοπτική προσαρμογής παρόμοιων τεχνικών σε άλλες νευρολογικές παθήσεις.