Τίτλος
«Εντοπισμός επιληπτικών κρίσεων με χρήση νευρωνικών δικτύων βασισμένα σε γράφους εγκεφαλικών σημάτων»
του Αντόνιο Τρπέσκι, φοιτητή του 5ετούς Προγράμματος Σπουδών του ΕΛΜΕΠΑ
Επιβλέπων Καθηγητής: Χρήστος Νικολόπουλος
H παρουσίαση θα πραγματοποιηθεί την Παρασκευή 26 Απριλίου 2024 στις 13:00 διαδικτυακά
στον παρακάτω σύνδεσμο (σύνδεση μέσω browser):
Friday, 26 July · 13:00 – 15:00
Time zone: Europe/Athens
Google Meet joining info
https://meet.google.com/bib-fyue-cmt
ΠΕΡΙΛΗΨΗ ΤΗΣ ΕΡΓΑΣΙΑΣ
Στην παρούσα διπλωματική εργασία αναπτύχθηκε ένα σύστημα εντοπισμού επιληπτικών
εκφορτήσεων με χρήση νευρωνικών δικτύων. Η μεθοδολογία που αναπτύχθηκε παρουσιάζει
δυνατότητες επεκτασιμότητας καθώς και δοκιμής και επικαιροποίησης για άλλα προβλήματα.
Τα δεδομένα που χρησιμοποιήθηκαν λήφθηκαν από την ιστοσελίδα της βάσης δεδομένων CHB-
MIT Scalp EEG σε μορφή EDF (European Data Format). Με τη χρήση της γλώσσας
προγραμματισμού Python, πραγματοποιήθηκε η λήψη και η αποθήκευσή τους στο περιβάλλον
Colab.Τα δεδομένα κάθε ασθενή τοποθετούνται σε ξεχωριστό φάκελο, ο οποίος περιλαμβάνει
πληροφορίες για κάθε εγγραφή EEG και τις χρονοσφραγίδες των κρίσεων επιληψίας σε αυτές.
Οι διαδικασίες προεπεξεργασίας, ανάλυσης και μετασχηματισμού των δεδομένων
περιλάμβαναν την εφαρμογή ζωνοπερατού φίλτρου, τον υπολογισμό της περιβάλλουσας
Hilbert και τη μετατροπή σε μορφή DataFrame. Τα δεδομένα αναπαριστούνταν σε μορφή
πίνακα συνδεσιμότητας (adjacency matrix) με υπολογισμό της συσχέτισης Pearson, με σκοπό
την απεικόνιση των δικτύων εγκεφάλου. Κάθε στάδιο επεξεργασίας περιλαμβάνει την
αποθήκευση τον δεδομένων στη προκείμενη μορφή για λόγους διαχωριστικότητας και ελέγχου.
Η εκπαίδευση του νευρωνικού δικτύου πραγματοποιήθηκε χρησιμοποιώντας ένα υποσύνολο
δεδομένων του διαθέσιμου δείγματος (το 80%), ενώ ένα ποσοστό των δεδομένων διατηρήθηκε
κρυφό από το νευρωνικό για τη δημιουργία ενός συνόλου επικύρωσης (20%). Τα “Brain Graphs”
και οι λόγοι περιεχομένου κρίσης συνδυάστηκαν για τη δημιουργία του συνόλου εκπαίδευσης.
Η εξέταση διαφόρων αρχιτεκτονικών νευρωνικών δικτύων οδήγησε στην ανάπτυξη μιας
αρχιτεκτονικής συνεκτικού νευρωνικού δίκτυού (CNN). το CNN χρησιμοποιεί συνελικτικά και
πλήρως συνδεδεμένα επίπεδα με ενεργοποίηση ReLU, dropout για κανονικοποίηση και μια
εξόδο sigmoid για δυαδική ταξινόμηση. Έγινε εκπαίδευση στα μετασχηματισμένα δεδομένα
καθώς και σε δεδομένα ελέγχου ( control ) με επιτυχή εντοπισμό κρίσεων από το νευρωνικό
δίκτυο.
Μελλοντική εξέλιξη και εφαρμογή της συγκεκριμένης εργασίας αποσκοπεί την χρήση σε
πραγματικό χρόνο από ασθενείς για την παρακολούθηση και ιδανικά την πρόληψη μιας κρίσης
με τεχνολογιών μηχανικής μάθησης με χρήση νευρωνικών δικτύων. Βασικό πρόβλημα στην
υλοποίηση είναι η αντιστάθμιση των δεδομένων που περιέχουν κρίση με αυτά που δεν
περιέχουν και που είναι κατά πολύ περισσότερα δείχνοντας έτσι την ανάγκη για μεγαλύτερες
και περισσότερες καταγραφές που μπορούν να γίνουν με φορητές συσκευές μικρότερης
ακρίβειας για τις οποίες όμως προορίζονται αυτές οι εφαρμογές.
Τέλος, ο κώδικας που αναπτύχθηκε φιλοξενήθηκε στο περιβάλλον Colab, ενώ η εξαγωγή των
δεδομένων πραγματοποιείται στο Google Drive. Αυτή η διάταξη επιτρέπει την εκτέλεση
υπολογισμών και τη διεξαγωγή έρευνας στο cloud. Επιπλέον, ο κώδικας που αναπτύχθηκε
παρέχεται ως βιβλιοθήκη Python, επιτρέποντας σε άλλους ερευνητές να αξιοποιήσουν το
σύστημα για την ανάλυση των δεδομένων EEG και παρόμοιων συνόλων δεδομένων.