Συντάχθηκε 16-03-2022 15:24
Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 21/03/2022 11:00
Λήξη: 21/03/2022 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΠΑΣΧΑΛΙΔΟΥ ΧΡΙΣΤΙΝΑ
Θέμα:
Μελέτη των Υψηλών Συχνοτήτων του ΗΕΓ στην Εξέλιξη της Επιληψίας
High Frequency Oscillations in EEG for the Assessment of Epilepsy
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Γεώργιος Καρυστινός
Δρ. Βασίλειος Τσιάρας
Περίληψη
Η οπτική ανίχνευση των ταλαντώσεων υψηλών συχνοτήτων από ειδικούς είναι πολύ χρονοβόρα, για το λόγο αυτό, έχουν αναπτυχθεί μέθοδοι αυτόματης ανίχνευσης. Οι περισσότερες από τις μεθόδους που έχουν αναπτυχθεί όλα αυτά τα χρόνια, φιλτράρουν το σήμα και στη συνέχεια ανιχνεύουν εάν ειδικά χαρακτηριστικά ενδιαφέροντος, όπως η ενέργεια, υπερβαίνουν ένα δεδομένο όριο. Πρόσφατα, έχει προταθεί ένας ανιχνευτής ταλαντώσεων υψηλών συχνοτήτων που βασίζεται σε ημι-εποπτευόμενη ομαδοποίηση. Η ιδέα αυτή βασίζεται στο γεγονός ότι τα κέντρα των κατηγοριών των HFOs και των μη-HFOs, καθορίζονται από ένα μικρό σύνολο οπτικά επιθεωρημένων τμημάτων HFOs και μη-HFOs, καθώς τα υπόλοιπα τμήματα αντιστοιχίζονται στο πλησιέστερο κέντρο. Ανάλογα με τον αλγόριθμο ομαδοποίησης που χρησιμοποιείται, τα κέντρα των συστάδων μπορούν να ενημερώνονται από τα μη επισημασμένα τμήματα. Σε αυτήν την εργασία γίνεται σύγκριση ενός ημι-εποπτευόμενου ανιχνευτή ταλαντώσεων υψηλών συχνοτήτων που χρησιμοποιεί το seeding k-means, με τρεις ανιχνευτές κατωφλίου, και συγκεκριμένα: τον ανιχνευτή μέσης τετραγωνικής ρίζας, τον ανιχνευτή μέσης γραμμής και τον ανιχνευτή Hilbert. Παρακινούμενοι από την επιτυχία της ημι-εποπτευόμενης ομαδοποίησης για την ανίχνευση των HFOs, υπάρχει μια περαιτέρω έρευνα σχετικά με το εάν ένας εντελώς μη εποπτευόμενος αλγόριθμος ομαδοποίησης μπορεί να χρησιμοποιηθεί για τη διάκριση μεταξύ HFO και μη-HFO τμημάτων. Στην κατεύθυνση αυτή αρχικά γίνεται μια εξέταση του αλγορίθμου k-means, ακολουθούμενη από τον αλγόριθμο DEC, ο οποίος μαθαίνει ταυτόχρονα τις παραμέτρους ενός νευρωνικού κωδικοποιητή, που ελαττώνει την διάσταση των χαρακτηριστικών, και τα κέντρα των κλάσεων. Από όσο γνωρίζουμε, αυτή είναι η πρώτη ερευνητική εργασία η οποία χρησιμοποιεί ομαδοποίηση χωρίς επίβλεψη για ανίχνευση HFOs. Τα αποτελέσματα με το DEC είναι πολύ ενθαρρυντικά, αν και έχουν εντοπιστεί ορισμένες περιπτώσεις με λανθασμένη ταξινόμηση. Αυτή η μελέτη υποδηλώνει ότι αξίζει να διερευνηθεί κατά πόσο πιο προηγμένοι αλγόριθμοι ομαδοποίησης που βασίζονται σε νευρωνικά δίκτυα, θα μπορούσαν να φτάσουν την ακρίβεια ανίχνευσης HFO των ειδικών.
Abstract
The visual detection of High Frequency Oscillations (HFOs) by experts is a time demanding process, making automatic detection methods a necessity of major importance. Most of the methods that have been developed over the years, filter the signal and then detect whether special features of interest, such as energy, are above a given threshold. Recently, there has been proposed an HFO detector that is based on semi-supervised clustering. The idea is that the centers of HFOs and non-HFOs classes are determined by a small set of visually inspected HFO and non-HFO segments, and the rest of the segments are assigned to the closest center. Depending on the clustering algorithm, the centroids of clusters may be updated by the non-labeled segments. The main aim of this research project is to compare a semi-supervised HFO detector that uses the seeding k-means, with three threshold detectors, namely: the Root mean square detector, the Line-length detector, and the Hilbert detector. Encouraged by the success of the semi-supervised clustering to detect HFOs, there is a further investigation on whether a totally unsupervised clustering algorithm can be used to discriminate between HFO and non-HFO segments. In this regard there is an examination of the k-means algorithm at first, followed by the DEC algorithm, where an encoder, which reduces the dimensionality of the feature space, and the centers of the clusters are learned simultaneously. As far as we know, this is the first work that uses unsupervised clustering for HFO detection. Although some wrongly classified cases have been identified, the results with DEC are very encouraging. This study suggests that it is worth investigating whether more advanced and deep learning clustering algorithms in HFO detection could reach the performance of human experts.
