Please use this identifier to cite or link to this item:
Title: Δημιουργία μοντέλου πρόβλεψης επιληπτικών κρίσεων
Other Titles: Creation of a seizure prediction model
Authors: Κίτσος, Φίλιππος
Keywords: Τεχνητή νοημοσύνη
Μηχανική μάθηση
Keywords (translated): Artificial intelligence
Machine learning
Abstract: Η παρούσα διπλωματική εργασία ερευνά το πρόβλημα της επιληψίας από την σκοπιά των ψηφια- κών σημάτων και την ανάλυση αυτών. Επιχειρεί να κατηγοριοποιήσει δυο διαφορετικές καταστά- σεις του εγκεφάλου (Inter-Ictal και Pre-Ictal) και να εξάγει χαρακτηριστικά με σκοπό την δημιουργία αλγόριθμου ανίχνευσης επιληπτικών κρίσεων με σκοπό την έγκυρη προειδοποίηση των ασθενών. O αλγόριθμος ανίχνευσης θα αποτελέσει μέρος ενός συστήματος, το οποίο θα είναι εμφυτευμένο στον ασθενή συνδέδεμένο με ηλεκτρόδια σε συγκεκριμένες εγκεφαλικές περιοχές (κανάλια) από τις οποίες θα παίρνει συνεχώς μετρήσεις. Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από διαγω- νισμό που φιλοξενήθηκε από το πανεπιστήμιο της Μελβούρνης. Η εργασία αυτή κατέληξε σε τρείς διαφορετικές υλοποιήσεις οι οποίες ήταν εξέλιξη των προηγουμένων. Το πρόβλημα αποδείχθηκε αρκετά σύνθετο και αρκετές τεχνικές χρειάστηκαν να υλοποιηθούν έως ότου τα αποτελέσματα κρι- θούν ικανοποιητικά. Κατά την πρώτη υλοποίηση χρησιμοποιήθηκαν πιθανοτικές τεχνικές όπως η συνάρτηση πυκνότητας πιθανότητας, η απόκλιση Kullback-Liebler ως μετρική απόστασης κατανο- μών και η διακύμανση των καναλιών. Ακολούθησαν δύο διαφορετικοί τρόποι τμηματοποίησης των χαρακτηριστικών αυτών σε μικρότερες υπο-ομάδες για την βελτιστοποίηση των αποτελεσμάτων με την k-means και με χρήση των μητρώων αυτοσυσχέτισης. Η δεύτερη υλοποίηση είχε σκοπό να εξε- ρευνήσει εάν υπάρχει η δυνατότητα διαχωρισμού των δύο κλάσεων με την χρήση ενός μοντέλου SVM. Το μοντέλο τροφοδοτήθηκε από μη-προεπεξεργασμένα υποδειγματοληπτημένα δεδομένα. Ο διαχωρισμός ήταν επιτυχής αλλά υπήρχε overfit και το μοντέλο είχε αρκετά μεγάλη διάσταση. Η τρίτη υλοποίηση αποτελείται από την εξαγωγή στατιστικών χαρακτηριστικών, όπως οι παράμετροι Hjorth, Λοξότητα, Κύρτοση, διαστάσεις Fractal κ.α, και η εκπαίδευση ενός κοινού μοντέλου SVM για όλους τους ασθενείς τροφοδοτημένο από τα παραπάνω χαρακτηριστικά. Η παρουσίαση των πειραματικών αποτελεσμάτων των παραπάνω υλοποιήσεων, τα ποσοστά επιτυχίας καθώς και μια προσπάθεια οπτικοποίησης με την τεχνική μείωσης διάστασης t-SNE, ολοκληρώνουν την εργασία.
Abstract (translated): This thesis investigates the problem of epilepsy from the digital signals point of view and their analysis. It attempts to categorize two different brain conditions (Inter-Ictal and Pre-Ictal) and extract features to create epileptic seizure detection algorithm to validly alert patients. The detection algorithm will be part of a system, which will be implanted to the patient attached with electrodes in specific brain areas (channels) by which will constantly take measurements. The data that were used come from a competition hosted by the University of Melbourne. This work resulted in three different implementations that were evolving from the previous ones. The problem has turned out quite complex and several techniques had to be implemented until the results were satisfactory. In the first embodiment, probabilistic techniques such as probability density function, the Kullback-Liebler deviation as a distance metric- including the variation of the channels. Two different ways of segmenting them followed attribute these to smaller subgroups to optimize the results with k-means and using self-correlation registers. The second implementation was intended to examine investigate whether it is possible to separate the two classes using a model SVM. The model was fed from unprocessed sample data. The separation was successful but there was overfit and the model was quite large. The third implementation consists of exporting statistical features, such parameters as : Hjorth, Obliquity, Curvature, Fractal Dimensions etc., and the training of a common SVM model for all patients powered by the above features. The presentation of experimental results of the above implementations, success rates and one visualization with t-SNE dimensionality reduction technique, complete the work.  
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Διπλωματική Εργασία Φίλιππος Κίτσος.pdf2.07 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons