Epilepsy detection from multi-channel EEG using cross-recurrence quantification analysis and machine learning

Απλή σελίδα τεκμηρίου
dc.contributor.advisorTsiknakis, Emmanouilen
dc.contributor.advisorΤσικνάκης, Εμμανουήλel
dc.contributor.authorMouzakitis, Nikolaosen
dc.contributor.authorΜουζακίτης, Νικόλαοςel
dc.date.accessioned2026-06-04T09:59:21Z
dc.date.available2026-06-04T09:59:21Z
dc.date.issued2026-06-04
dc.description.abstractEpileptic 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.en
dc.description.abstractΟι 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.el
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11664
dc.language.isoen
dc.publisherΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectEpilepsy detection
dc.subjectElectroencephalograph
dc.subjectMachine learning
dc.subjectCross-recurrence quantification analysis
dc.subjectΑνίχνευση επιληψίας
dc.subjectΗλεκτροεγκεφαλογράφημα
dc.subjectΜηχανική μάθηση
dc.subjectΑνάλυση ποσοτικοποίησης διασταυρούμενης επαναληψιμότητας
dc.titleEpilepsy detection from multi-channel EEG using cross-recurrence quantification analysis and machine learningen
dc.titleΑνίχνευση επιληψίας από πολυκαναλικά ΗΕΓ με χρήση ανάλυσης ποσοτικοποίησης διασταυρούμενης επαναληψιμότητας και μηχανικής μάθησηςel
dc.typeΜεταπτυχιακή Διατριβή
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
MouzakitisNikolaos2026.pdf
Μέγεθος:
9.41 MB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Μεταπτυχιακές εργασίες / Master Theses