Epilepsy detection from multi-channel EEG using cross-recurrence quantification analysis and machine learning
Φόρτωση...
Ημερομηνία
2026-06-04
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
Επιβλέπων
Περίληψη
Epileptic seizures originate from abnormal, large scale synchronization of neuronal populations
in the human brain, making the analysis of inter regional brain dynamics essential
for reliable detection. This thesis presents a nonlinear dynamical framework
for automated seizure classification utilizing multichannel scalp electroencephalography
(EEG). Cross-Recurrence Quantification Analysis (CRQA) is employed to characterize
the interactions between EEG channels in their reconstructed phase space, enabling the
quantification of the coupling patterns related to the seizure activity.
EEG recordings are preprocessed by a denoising and normalization pipeline before
being segmented into windows of fixed-length. For each window, CRQA metrics are
calculated across all channel pairs and aggregated to form a compact representation of
brain’s dynamical interaction. These features are used to train and evaluate traditional
machine learning classifiers, under multiple validation schemes, emphasizing on subjectindependent
protocols for ensuring a realistic performance assessment.
The methodology is evaluated on a publicly available scalp EEG dataset which contains
annotations of the seizure events. Results show that the recurrence-based interaction
hold the ability to capture informative seizure related dynamics and support
the discrimination among epileptic and non-epileptic EEG windows. The findings, also
point out the value of nonlinear inter-channel analysis as a complementary approach to
traditional single-channel or spectral methods in this domain for analysis.
Οι επιληπτικές κρίσεις προέρχονται από παθολογικό, μεγάλης κλίμακας συγχρονισμό νευρωνικών πληθυσμών στον ανθρώπινο εγκέφαλο, καθιστώντας την ανάλυση εγκεφαλικής δυναμικής μεταξύ-περιοχών απαραίτητη για την αξιόπιστη ανίχνευσή τους. Η παρούσα διπλωματική εργασία παρουσιάζει ένα μη γραμμικό δυναμικό πλαίσιο για αυτοματοποιημένη ταξινόμηση επιληπτικών κρίσεων με χρήση πολυκάναλου ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) επιφάνειας κεφαλής. Η Ανάλυση Ποσοτικοποίησης Διασταυρούμενης Επαναληψιμότητας (Cross-Recurrence Quantification Analysis, CRQA) χρησιμοποιείται για τον χαρακτηρισμό των αλληλεπιδράσεων μεταξύ των καναλιών ΗΕΓ στον ανακατασκευασμένο χώρο φάσεων τους, επιτρέποντας την ποσοτικοποίηση των προτύπων σύζευξης που σχετίζονται με τη δραστηριότητα των κρίσεων. Τα σήματα ΗΕΓ υποβάλλονται σε προεπεξεργασία μέσω μιας αλυσίδας απόρριψης θορύβου και κανονικοποίησης, πριν κατατμηθούν σε τμήματα σταθερού μήκους. Για κάθε τμήμα, υπολογίζονται μετρικές CRQA για όλα τα ζεύγη καναλιών και συναθροίζονται ώστε να σχηματιστεί μια συμπαγής αναπαράσταση της δυναμικής αλληλεπίδρασης του εγκεφάλου. Αυτά τα χαρακτηριστικά χρησιμοποιούνται για την εκπαίδευση και αξιολόγηση παραδοσιακών ταξινομητών μηχανικής μάθησης, υπό πολλαπλά σχήματα επικύρωσης, με έμφαση σε πρωτόκολλα ανεξάρτητα του υποκειμένου για τη διασφάλιση ρεαλιστικής αξιολόγησης απόδοσης. Η μεθοδολογία αξιολογείται σε ένα δημοσίως διαθέσιμο σύνολο δεδομένων ΗΕΓ, το οποίο περιέχει σημειώσεις των επιληπτικών γεγονότων. Τα αποτελέσματα δείχνουν ότι οι αλληλεπιδράσεις βασισμένες σε επαναληψιμότητα έχουν την ικανότητα να συλλαμβάνουν πληροφοριακά χαρακτηριστικά της δυναμικής που σχετίζεται με τις κρίσεις και να υποστηρίζουν τη διάκριση μεταξύ επιληπτικών και μη επιληπτικών τμημάτων ΗΕΓ. Τα ευρήματα υπογραμμίζουν επίσης την αξία της μη γραμμικής ανάλυσης μεταξύ καναλιών ως συμπληρωματική προσέγγιση των παραδοσιακών μεθόδων μονού καναλιού ή φασματικής ανάλυσης στον τομέα αυτό.
Οι επιληπτικές κρίσεις προέρχονται από παθολογικό, μεγάλης κλίμακας συγχρονισμό νευρωνικών πληθυσμών στον ανθρώπινο εγκέφαλο, καθιστώντας την ανάλυση εγκεφαλικής δυναμικής μεταξύ-περιοχών απαραίτητη για την αξιόπιστη ανίχνευσή τους. Η παρούσα διπλωματική εργασία παρουσιάζει ένα μη γραμμικό δυναμικό πλαίσιο για αυτοματοποιημένη ταξινόμηση επιληπτικών κρίσεων με χρήση πολυκάναλου ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) επιφάνειας κεφαλής. Η Ανάλυση Ποσοτικοποίησης Διασταυρούμενης Επαναληψιμότητας (Cross-Recurrence Quantification Analysis, CRQA) χρησιμοποιείται για τον χαρακτηρισμό των αλληλεπιδράσεων μεταξύ των καναλιών ΗΕΓ στον ανακατασκευασμένο χώρο φάσεων τους, επιτρέποντας την ποσοτικοποίηση των προτύπων σύζευξης που σχετίζονται με τη δραστηριότητα των κρίσεων. Τα σήματα ΗΕΓ υποβάλλονται σε προεπεξεργασία μέσω μιας αλυσίδας απόρριψης θορύβου και κανονικοποίησης, πριν κατατμηθούν σε τμήματα σταθερού μήκους. Για κάθε τμήμα, υπολογίζονται μετρικές CRQA για όλα τα ζεύγη καναλιών και συναθροίζονται ώστε να σχηματιστεί μια συμπαγής αναπαράσταση της δυναμικής αλληλεπίδρασης του εγκεφάλου. Αυτά τα χαρακτηριστικά χρησιμοποιούνται για την εκπαίδευση και αξιολόγηση παραδοσιακών ταξινομητών μηχανικής μάθησης, υπό πολλαπλά σχήματα επικύρωσης, με έμφαση σε πρωτόκολλα ανεξάρτητα του υποκειμένου για τη διασφάλιση ρεαλιστικής αξιολόγησης απόδοσης. Η μεθοδολογία αξιολογείται σε ένα δημοσίως διαθέσιμο σύνολο δεδομένων ΗΕΓ, το οποίο περιέχει σημειώσεις των επιληπτικών γεγονότων. Τα αποτελέσματα δείχνουν ότι οι αλληλεπιδράσεις βασισμένες σε επαναληψιμότητα έχουν την ικανότητα να συλλαμβάνουν πληροφοριακά χαρακτηριστικά της δυναμικής που σχετίζεται με τις κρίσεις και να υποστηρίζουν τη διάκριση μεταξύ επιληπτικών και μη επιληπτικών τμημάτων ΗΕΓ. Τα ευρήματα υπογραμμίζουν επίσης την αξία της μη γραμμικής ανάλυσης μεταξύ καναλιών ως συμπληρωματική προσέγγιση των παραδοσιακών μεθόδων μονού καναλιού ή φασματικής ανάλυσης στον τομέα αυτό.
Περιγραφή
Λέξεις-κλειδιά
Epilepsy detection, Electroencephalograph, Machine learning, Cross-recurrence quantification analysis, Ανίχνευση επιληψίας, Ηλεκτροεγκεφαλογράφημα, Μηχανική μάθηση, Ανάλυση ποσοτικοποίησης διασταυρούμενης επαναληψιμότητας