Parkinson’s disease prediction using artificial intelligence
Φόρτωση...
Ημερομηνία
2024-04-08
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
Επιβλέπων
Περίληψη
Precise diagnosis of Parkinson’s disease (PD) is crucial for effective treatment and
management of this progressive neurological condition. Existing diagnostic methods
face obstacles due to overlapping symptoms with other neurological disorders and the
lack of a conclusive diagnostic test. Sleep disorders are common among PD patients,
and nocturnal sleep electroencephalography (EEG) data hold significant insights into
the connection between PD and sleep disturbances, providing opportunities for early
diagnosis and disease tracking.
This research utilizes deep learning methodologies to examine nocturnal sleep EEG
data for the differentiation of PD subjects and healthy individuals. An extensive review
of current literature is performed to evaluate the state-of-the-art in PD, sleep disorders,
EEG data analysis, and deep learning applications for neurological disorder classification. A dataset of nocturnal sleep EEG recordings from PD patients and healthy subjects
is obtained, preprocessed, and divided into sleep stages, followed by the extraction of
pertinent features.
Several deep learning models, such as Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), and Gated Recurrent Units (GRU) networks, are explored
for their appropriateness in the classification task. The chosen models are developed,
executed, and optimized to differentiate PD subjects from healthy controls using nocturnal sleep EEG data. Model performance is assessed using relevant metrics (e.g., accuracy, precision, recall, F1-score) and compared with existing methods found in the
literature.
Η ακριβής διάγνωση της νόσου του Πάρκινσον (ΝΠ) είναι ζωτικής σημασίας για την αποτελεσματική θεραπεία και διαχείριση αυτής της προοδευτικής νευρολογικής πάθησης. Οι υπάρχουσες διαγνωστικές μέθοδοι αντιμετωπίζουν εμπόδια λόγω της επικάλυψης των συμπτωμάτων με άλλες νευρολογικές διαταραχές και της έλλειψης μιας πειστικής διαγνωστικής δοκιμασίας. Οι διαταραχές του ύπνου είναι συχνές μεταξύ των ασθενών με PD και τα δεδομένα του νυχτερινού ηλεκτροεγκεφαλογραφήματος ύπνου (ΗΕΓ) διαθέτουν σημαντικές πληροφορίες για τη σχέση μεταξύ της ασθένειας Πάρκινσον και διαταραχών του ύπνου, παρέχοντας ευκαιρίες για έγκαιρη διάγνωση και παρακολούθηση της νόσου. Η παρούσα έρευνα χρησιμοποιεί μεθοδολογίες βαθιάς μάθησης για την εξέταση ΗΕΓ δεδομένων νυχτερινού ύπνου για τη διαφοροποίηση των ατόμων με Πάρκινσον και των υγιών ατόμων. Πραγματοποιείται εκτενής ανασκόπηση της τρέχουσας βιβλιογραφίας για την αξιολόγηση της τελευταίας τεχνολογίας στον τομέα της νόσου Πάρκινσον, των διαταραχών ύπνου, της ανάλυσης δεδομένων ΗΕΓ και των εφαρμογών βαθιάς μάθησης για την ταξινόμηση νευρολογικών διαταραχών. Λαμβάνεται ένα σύνολο δεδομένων από καταγραφές ΗΕΓ νυχτερινού ύπνου από ασθενείς με Παρκινσον και υγιή άτομα, γίνεται προεπεξεργασία και διαχωρισμός σε στάδια ύπνου, ενώ ακολουθεί η εξαγωγή σχετικών χαρακτηριστικών. Διερευνώνται διάφορα μοντέλα βαθιάς μάθησης, όπως τα συνεπαγωγικά νευρωνικά δίκτυα , τα επαναλαμβανόμενα νευρωνικά δίκτυα και τα δίκτυα μακράς βραχυπρόθεσμης μνήμης, για την καταλληλότητά τους στην εργασία ταξινόμησης. Τα επιλεγμένα μοντέλα αναπτύσσονται, εκτελούνται και βελτιστοποιούνται για τη διαφοροποίηση των ατόμων με νόσο Πάρκινσον από τους υγιείς άνθρωπους, χρησιμοποιώντας δεδομένα ΗΕΓ νυχτερινού ύπνου. Η απόδοση του μοντέλου αξιολογείται με τη χρήση σχετικών μετρικών (π.χ. ακρίβεια, ακρίβεια, ανάκληση) και συγκρίνεται με υπάρχουσες μεθόδους που βρίσκονται στη βιβλιογραφία.
Η ακριβής διάγνωση της νόσου του Πάρκινσον (ΝΠ) είναι ζωτικής σημασίας για την αποτελεσματική θεραπεία και διαχείριση αυτής της προοδευτικής νευρολογικής πάθησης. Οι υπάρχουσες διαγνωστικές μέθοδοι αντιμετωπίζουν εμπόδια λόγω της επικάλυψης των συμπτωμάτων με άλλες νευρολογικές διαταραχές και της έλλειψης μιας πειστικής διαγνωστικής δοκιμασίας. Οι διαταραχές του ύπνου είναι συχνές μεταξύ των ασθενών με PD και τα δεδομένα του νυχτερινού ηλεκτροεγκεφαλογραφήματος ύπνου (ΗΕΓ) διαθέτουν σημαντικές πληροφορίες για τη σχέση μεταξύ της ασθένειας Πάρκινσον και διαταραχών του ύπνου, παρέχοντας ευκαιρίες για έγκαιρη διάγνωση και παρακολούθηση της νόσου. Η παρούσα έρευνα χρησιμοποιεί μεθοδολογίες βαθιάς μάθησης για την εξέταση ΗΕΓ δεδομένων νυχτερινού ύπνου για τη διαφοροποίηση των ατόμων με Πάρκινσον και των υγιών ατόμων. Πραγματοποιείται εκτενής ανασκόπηση της τρέχουσας βιβλιογραφίας για την αξιολόγηση της τελευταίας τεχνολογίας στον τομέα της νόσου Πάρκινσον, των διαταραχών ύπνου, της ανάλυσης δεδομένων ΗΕΓ και των εφαρμογών βαθιάς μάθησης για την ταξινόμηση νευρολογικών διαταραχών. Λαμβάνεται ένα σύνολο δεδομένων από καταγραφές ΗΕΓ νυχτερινού ύπνου από ασθενείς με Παρκινσον και υγιή άτομα, γίνεται προεπεξεργασία και διαχωρισμός σε στάδια ύπνου, ενώ ακολουθεί η εξαγωγή σχετικών χαρακτηριστικών. Διερευνώνται διάφορα μοντέλα βαθιάς μάθησης, όπως τα συνεπαγωγικά νευρωνικά δίκτυα , τα επαναλαμβανόμενα νευρωνικά δίκτυα και τα δίκτυα μακράς βραχυπρόθεσμης μνήμης, για την καταλληλότητά τους στην εργασία ταξινόμησης. Τα επιλεγμένα μοντέλα αναπτύσσονται, εκτελούνται και βελτιστοποιούνται για τη διαφοροποίηση των ατόμων με νόσο Πάρκινσον από τους υγιείς άνθρωπους, χρησιμοποιώντας δεδομένα ΗΕΓ νυχτερινού ύπνου. Η απόδοση του μοντέλου αξιολογείται με τη χρήση σχετικών μετρικών (π.χ. ακρίβεια, ακρίβεια, ανάκληση) και συγκρίνεται με υπάρχουσες μεθόδους που βρίσκονται στη βιβλιογραφία.
Περιγραφή
Λέξεις-κλειδιά
Parkinson's disease, artificial intelligence, deep learning, neural network, νόσος Πάρκινσον, τεχνητή νοημοσύνη, βαθιά μάθηση, νευρωνικό δίκτυο