Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Analysis of electroencephalography in epilepsy after transcranial brain stimulation using connectivity models and machine learning

Tsipouraki Alexandra

Simple record


URIhttp://purl.tuc.gr/dl/dias/0C79044D-49DB-493F-A07A-C2CF307F59BB-
Identifierhttps://doi.org/10.26233/heallink.tuc.99099-
Languageen-
Extent7 megabytesen
Extent96 pagesen
TitleAnalysis of electroencephalography in epilepsy after transcranial brain stimulation using connectivity models and machine learning en
TitleΑνάλυση ηλεκτροεγκεφαλογραφήματος σε επιληψία μετά από διακρανιακή ηλεκτρική διέγερση με χρήση μοντέλων συνδεσιμότητας και μηχανική μάθησηel
CreatorTsipouraki Alexandraen
CreatorΤσιπουρακη Αλεξανδραel
Contributor [Thesis Supervisor]Zervakis Michailen
Contributor [Thesis Supervisor]Ζερβακης Μιχαηλel
Contributor [Committee Member]Liavas Athanasiosen
Contributor [Committee Member]Λιαβας Αθανασιοςel
Contributor [Committee Member]Carsten H. Woltersen
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Electrical and Computer Engineeringen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
Content SummaryEpilepsy constitutes a neurological disorder affecting approximately 50 million individuals globally, significantly impacting their quality of life. Conventionally, epilepsy symptoms are managed through the administration of antiepileptic drugs or, where feasible, through surgical intervention. However, the frequent cases of refractory focal epilepsy have highlighted the necessity for new, personalized therapeutic approaches. Among these, transcranial Direct Current Stimulation (tDCS) has emerged as a promising potential solution. The present work, focuses on the study of EEG recordings deriving from a proof-of-principle N-of-1 trial study, whose scope was to investigate the effects of multi-channel (mc-) tDCS application on a patient with refractory focal epilepsy. A double-blind sham-controlled stimulation experiment was conducted in a two-week long stimulation trial. Distributed Constrained Maximum Intensity (D-CMI)-based-mc-tDCS and sham stimulation were applied twice every week-day for 20 minutes each. EEG data, was recorded for 1 hour before and after stimulation. Experts, marked a highly significant reduction in interictal spike frequency after the stimulation process, while this was not the case for sham. Our purpose, is to evaluate EEG connectivity patterns, using generalized Partial Directed Coherence (gPDC) before and after stimulation and sham procedures accordingly. The raw EEG recordings are segmented into 3-second long sub-signals, to which then gPDC is applied and studied. We further proceed to the extraction of connectivity and statistical features from this analysis, and provide this information to Machine Learning models, in order to verify and validate our connectivity findings. The final results are promising; the connectivity analysis performed on the EEG data validated the results which had already derived from the trial, the epileptogenic zone was confirmed, as also was the reduction of IEDs after the tDCS. Finally, the ML models' results validated the robustness of our connectivity study, highlighted by the decrease in class separability after the stimulation process but not after sham. Τhis research, contributes to gaining a deeper understanding of the neural mechanisms underlying epilepsy, utilizing a non-invasive modality, as is EEG. The ability to gather and analyze more extensive EEG data sets over longer periods, can enhance in the future the depth and reliability of our findings, offering a richer understanding of the effects of Transcranial Direct Current Stimulation (tDCS) on epilepsy.en
Content SummaryΗ επιληψία, αποτελεί μία από τις πιο κοινές νευρολογικές διαταραχές, πλήττοντας περίπου 50 εκατομμύρια άτομα παγκοσμίως και επηρεάζοντας σημαντικά την ποιότητα ζωής τους. Συμβατικά, τα συμπτώματα της επιληψίας διαχειρίζονται μέσω της χορήγησης αντιεπιληπτικών φαρμάκων ή, όπου είναι εφικτό, μέσω χειρουργικής επέμβασης. Ωστόσο, η συχνή εμφάνιση περιπτώσεων φαρμακο-ανθεκτικής, μη χειρουργήσιμης επιληψίας, μας ωθεί στην αναζήτηση νέων, εξατομικευμένων, μεθόδων θεραπείας. Μεταξύ αυτών, η άμεση Διακρανιακή Ηλεκτρική Διέγερση (tDCS) έχει αναδειχθεί ως πολλά υποσχόμενη λύση. Η παρούσα εργασία εστιάζει στη μελέτη εγκεφαλογραφημάτων (ΗΕΓ) που προέρχονται από μία N-of-1 μελέτη με στόχο την εξέταση της επίδρασης της εφαρμογής πολυκαναλικής tDCS (mc-tDCS) σε ασθενή με φαρμακοανθεκτική επιληψία. Σε αυτό το πλαίσιο, είχε διεξαχθεί ένα Distributed Constrained Maximum Intensity (D-CMI)-based-mc-tDCS and sham stimulation πείραμα συνολικής διάρκειας δύο εβδομάδων. Τόσο το πείραμα πραγματικής διέγερσης όσο και εικονικής εφαρμόστηκαν δύο φορές κάθε εργάσιμη ημέρα της εβδομάδας για 20 λεπτά η κάθε μία. Τα δεδομένα ΗΕΓ καταγράφηκαν για 1 ώρα πριν και μετά τη διέγερση. Οι ειδικοί, διαπίστωσαν μία ιδιαίτερα σημαντική μείωση της συχνότητας εμφάνισης επιληπτικών κρίσεων μετά τη διαδικασία διέγερσης, ενώ δεν παρατηρήθηκε κάτι αντίστοιχο μετά την εικονική διέγερση. Σκοπός μας, είναι να αξιολογήσουμε τα μοτίβα συνδεσιμότητας που προκύπτουν από τη μελέτη των καταγραφών ΗΕΓ, με την εφαρμογή της μεθόδου γενικευμένης Μερικής Κατευθυνόμενης Συνάφειας (gPDC) πριν και μετά την πραγματική και εικονική διέγερση αντίστοιχα. Οι αρχικές καταγραφές, διαιρέθηκαν σε υποσήματα διάρκειας 3 δευτερολέπτων, στα οποία μετέπειτα εφαρμόστηκε και μελετήθηκε η gPDC. Κατόπιν, τα χαρακτηριστικά που προέκυψαν από την προαναφερθείσα μελέτη συνδεσιμότητας καθώς και κάποια στατιστικά μεγέθη, εισήχθησαν σε μοντέλα Μηχανικής Μάθησης, προκειμένου να επικυρωθούν τα προγενέστερα ευρήματά μας. Τα τελικά αποτελέσματα κρίνονται ενθαρρυντικά, καθώς η ανάλυση συνδεσιμότητας επικύρωσε τα αποτελέσματα που είχαν προκύψει από το αρχικό πείραμα, επιβεβαιώθηκε η επιληπτογόνος περιοχή, όπως και η μείωση των καταγεγραμμένων επιληπτικών κρίσεων μετά την πραγματική ηλεκτρική διέγερση. Τέλος, τα μοντέλα μηχανικής μάθησης επιβεβαίωσαν τη μελέτη συνδεσιμότητας μέσω της εμφανούς μείωσης ποσοστών επιτυχημένου διαχωρισμού των κλάσεων από τα μοντέλα πρίν και μετά την πραγματική διέγερση, ενώ δεν παρατηρήθηκε κάτι αντίστοιχο για την εικονική. Η παρούσα εργασία, επιχειρεί να συμβάλλει στην περαιτέρω διερεύνηση και κατανόηση των νευρικών μηχανισμών και συνδέσεων που υπόκεινται της επιληψίας, χρησιμοποιώντας μία μη επεμβατική μέθοδο καταγραφής δεδομένων. Η δυνατότητα συλλογής και ανάλυσης δεδομένων για μεγαλύτερες χρονικές περιόδους μπορεί να ενισχύσει μελλοντικά το βάθος και την αξιοπιστία των ευρημάτων της συγκεκριμένης ανάλυσης, προσφέροντας μία πιο πλούσια κατανόηση των επιδράσεων της διακρανιακής ηλεκτρικής διέγερσης στην επιληψία.el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by-nc-nd/4.0/en
Date of Item2024-03-13-
Date of Publication2024-
SubjectMachine learningen
SubjectEffective connectivityen
SubjectTranscranial direct current stimulationen
SubjectEpilepsyen
Bibliographic CitationAlexandra Tsipouraki, "Analysis of electroencephalography in epilepsy after transcranial brain stimulation using connectivity models and machine learning", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2024en
Bibliographic CitationΑλεξάνδρα Τσιπουράκη, "Ανάλυση ηλεκτροεγκεφαλογραφήματος σε επιληψία μετά από διακρανιακή ηλεκτρική διέγερση με χρήση μοντέλων συνδεσιμότητας και μηχανική μάθηση", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024el

Available Files

Services

Statistics