Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Μελέτη των υψηλών συχνοτήτων του ΗΕΓ στην εξέλιξη της επιληψίας

Paschalidou Christina

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/B2155AD8-0CBB-4EC1-A4CC-AFB62926A585
Έτος 2022
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Χριστίνα Πασχαλίδου, "Μελέτη των υψηλών συχνοτήτων του ΗΕΓ στην εξέλιξη της επιληψίας", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022 https://doi.org/10.26233/heallink.tuc.91911
Εμφανίζεται στις Συλλογές

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.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά