Νικολόπουλος, ΧρήστοςNikolopoulos, ChristosΤρπέσκι, ΑντόνιοTrpeski, Antonio2024-09-172024-09-172024https://apothesis.hmu.gr/handle/123456789/11114Η 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.This thesis presents an innovative system for detecting epileptic seizures using Convolutional Neural Networks (CNNs) applied to electroencephalogram (EEG) data, which have been transformed into visual representations known as "Brain Signal Graphs." Epilepsy, a common neurological disorder affecting approximately 50 million people worldwide, is characterized by sudden electrical discharges in the brain. The EEG recordings were obtained from the CHB-MIT Scalp EEG database, employing a fifth-order Butterworth filter (1Hz-70Hz) for data preprocessing and subsequently the Hilbert transform for extracting signal envelopes. Pearson correlation coefficients between EEG channels were computed, creating adjacency matrices (23x23) for each 15-second interval, which represent brain activity. The CNN was trained on these matrices, achieving a 94% accuracy in seizure detection, despite the fact that only 7% of the dataset contained seizure events. The study highlights the challenge of data imbalance and underscores the need for more balanced datasets or patient-specific training periods. The architecture and parameters of the CNN were carefully adjusted, to successfully demonstrate that converting EEG signals into image format enhances pattern recognition for seizures, leveraging the capabilities of CNNs in image analysis. The practical implications of this research are significant, particularly for the development of portable EEG devices that could monitor and detect seizures in real-time high-risk environments. The computational efficiency of the method and tolerance to variations in electrode placement make it suitable for such applications. However, the lack of seizure data in available databases emphasizes the need for more comprehensive and extensive EEG recordings. The open-source code developed for this project is designed to easily incorporate new data, facilitating ongoing research and development. In conclusion, the transformation of EEG data into brain signal graphs, combined with CNNs, provides a robust approach for seizure detection. This work lays the foundation for future research and development, especially in creating real-time monitoring systems and patient-specific adaptations. Future work will focus on extending the model's application to other databases and improving the system for practical implementation. The methodology presented also highlights the potential for adapting similar techniques to other neurological conditions.elAttribution-NonCommercial-NoDerivs 3.0 United Statesανίχνευση επιληπτικών κρίσεωνσυνελικτικά νευρωνικά δίκτυαCNNηλεκτροεγκεφαλογράφημαEEGγραφήματα εγκεφαλικών σημάτωνεπιληψίαφορητές συσκευές EEGdetection of epileptic seizuresconvolutional neural networkselectroencephalogrambrain signal graphsepilepsyportable EEG devicesΠτυχιακή Εργασία