Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση Διπλωματικής Εργασίας κας Αφροδίτης Κολομβάκη - Σχολή ΗΜΜΥ

  • Συντάχθηκε 05-06-2024 08:51 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Τόπος:
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 11/06/2024 10:00
    Λήξη: 11/06/2024 11:00

    ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
    Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
    Πρόγραμμα Προπτυχιακών Σπουδών

    ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

    Αφροδίτης Κολομβάκη

    με θέμα

    Εντοπισμός Πηγών Ηλεκτροεγκεφαλογραφήματος Διαφορετικών Ρεαλιστικών Ανατομιών Εγκεφάλου με τη χρήση Τεχνικών Βαθιάς Μάθησης

    EEG Source Localization on Different Realistic Brain Anatomies using Deep Learning Techniques

    Εξεταστική Επιτροπή

    Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
    Καθηγητής Λιάβας Αθανάσιος
    Καθηγητής Carsten H. Wolters (Institute for Biomagnetism and Biosignalanalysis (IBB), University of Münster, Germany)

    Περίληψη

    Το ηλεκτροεγκεφαλογάφημα είναι μια μέθοδος που χρησιμοποιείται για τη καταγραφή της ηλεκτρικής δραστηριότητας του εγκεφάλου και χρησιμοποιείται για τη διαγνωση και παρακολούθηση παθήσεων όπως η επιληψία, οι διαταραχές ύπνου ή και οι κρανιοεγκεφαλικες κακώσεις. Η καταγραφή αυτή των ηλεκτρικών σημάτων που παράγει ο εγκέφαλος γίνεται με τη χρήση ηλεκτροδίων, τα οποία τοποθετούνται πάνω στο δέρμα της κεφαλής. Μια από τις κύριες δυσκολίες όσον αφορά την ερμηνεία αυτών των σημάτων, είναι η ταυτοποίηση των περιοχών μέσα στον εγκέφαλο που εμφάνισαν ηλεκτρική δραστηριότητα και προκάλεσαν τις αντίστοιχες μετρήσεις στο ηλεκτροεγκεφαλογάφημα. Αυτό είναι γνωστό ως το αντίστροφο πρόβλημα. Υπάρχουν πολλές μέθοδοι για την επίλυση του αντίστροφου προβλήματος αλλά απαιτούν πολύ υπολογιστικό χρόνο ή εξαρτώνται σε μεγάλο βαθμό από υποθέσεις που μπορεί να μην είναι σωστές και ακριβείς. Πρόσφατα, τα νευρωνικά δίκτυα έχουν προταθεί σαν μια λύση του αντίστροφου προβλήματος αλλά η εκπαίδευση τους συχνά βασίζεται σε υποβέλτιστη μοντελοποίηση του προβλήματος, ενω παράλληλα δυσκολεύονται να λύσουν το αντίστροφο πρόβλημα σε διαφορετικές ανατομίες εγκεφάλου και στην περίπτωση που παραπάνω απο μια πηγές παρουσιάζουν εγκεφαλική δραστηριότητα. Σε αυτή τη διπλωματική, παρουσιάζουμε ενα συνελικτικό νευρωνικό δίκτυο, το οποίο έχει εκπαιδευτεί σε διαφορετικές ρεαλιστικές ανατομίες εγκεφάλου και μπορεί να λύσει το αντίστροφο πρόβλημα για εως και τρείς πηγές στον εγκέφαλο σε διαφορετικές ρεαλιστικές ανατομίες. Σύμφωνα με τα αποτελέσματα, η μέθοδος μας αποδίδει καλύτερα σε σχέση με παραδοσιακές αριθμιτικές μεθόδους οπως η sLORETA.

    Abstract 

    Electroencephalography (EEG) is a technique used to record the electrical activity of the brain and is commonly used in medical settings to diagnose and monitor conditions such as epilepsy, sleep disorders, and brain injuries. It involves placing electrodes on the scalp, which detect the electrical signals produced by the brain. One of the main challenges in interpreting these EEG signals is to identify the underlying neural sources responsible for generating the measured scalp potentials. This is known as EEG source analysis or EEG inverse problem. Various numerical methods exist to address this inverse problem, but they require considerable computational time and often depend heavily on prior assumptions. Recently, neural networks have been suggested as a solution, but their training often relies on suboptimal forward modeling and they struggle to localize EEG signals across different brain anatomies and multiple brain electrical activations. In this study, we introduce a Convolutional Neural Network (CNN) architecture that is independent of the brain source space model and trained using realistic head models calibrated for skull conductivity. It is capable of solving the inverse problem for up to three active brain sources on different realistic brain anatomies. The results indicate that our CNN outperforms traditional numerical methods like sLORETA.



© Πολυτεχνείο Κρήτης 2012