Compressed sensing methods for analysis of epileptic seizuresCompressed sensing methods for analysis of epileptic seizuresΜέθοδος ανάλυσης επιληπτικών κρίσεων με μεθόδους μειωμένης ευαισθησίας Διπλωματική Εργασία Diploma Work 2020-02-272020enThis thesis investigates the preservation of Electroencephalogram’s (EEG) focal epileptic seizure’s information after compression and reconstruction of the signal through the Compressed Sensing (CS) technique and the effectiveness of Common Spatial Patterns (CSP) analysis of EEG signals on the automatic detection of focal epileptic seizures. Epilepsy is a neurological disorder characterized by an enduring predisposition to generate epileptic seizures with great neurological, cognitive, psychological and social consequences. According to the World Health Organization (WHO), it is estimated that in 2019, epilepsy affects around 50 million people worldwide which is quite common in childhood. In 2017, the prevalence and incidence of epilepsy are estimated to be 6.38 and 0.67 per 1000 persons respectively. In this thesis, we use the Discrete Cosine Transform (DCT) to have a sparse representation of the information, in order to be able to apply the CS technique. We further reduce the power of the EEG in order to have a sparser signal. After compressing the signals, we use the Basis Pursuit algorithm to reconstruct the sparse DCT signal and then the inverse Discrete Cosine transform to return to the time domain. Then we apply the Fourier transform and the Approximate Entropy to check the preservation of the original information of the seizure. CSP analysis has been frequently used in literature for multichannel EEG signal separation between -mainly- two states. In the present thesis, the EEG recordings from 10 subjects aged 6.8±5.9 years, including 63 seizures, were analyzed with respect to seizure detection and discrimination between inter-ictal and ictal signal periods. Machine learning techniques of feature selection and classification were used in the analysis.Η διπλωματική εργασία διερευνά τη διατήρηση των δεδομένων των εστιακών επιληπτικών κρίσεων του Ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) μετά από συμπίεση και ανακατασκευή του σήματος μέσω της τεχνικής συμπιεσμένης ανίχνευσης (Compressed Sensing) και την αποτελεσματικότητα της ανάλυσης κοινών χωρικών προτύπων (Common Spatial Patterns) των σημάτων ΗΕΓ στην αυτόματη ανίχνευση εστιακών επιληπτικών κρίσεων. Η επιληψία είναι μια νευρολογική διαταραχή που χαρακτηρίζεται από μια διαρκή προδιάθεση για τη δημιουργία επιληπτικών κρίσεων με μεγάλες νευρολογικές, γνωστικές, ψυχολογικές και κοινωνικές συνέπειες. Σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας (WHO), εκτιμάται ότι το 2019, η επιληψία επηρεάζει περίπου 50 εκατομμύρια ανθρώπους παγκοσμίως, κάτι που είναι συνηθισμένο στην παιδική ηλικία. Το 2017, η επικράτηση και η επίπτωση της επιληψίας εκτιμάται ότι είναι 6,38 και 0,67 ανά 1000 άτομα αντίστοιχα. Σε αυτή την εργασία χρησιμοποιούμε το Discrete Cosine Transform (DCT) για να έχουμε μια αραιή αναπαράσταση των πληροφοριών για να μπορέσουμε να εφαρμόσουμε την τεχνική CS. Μειώνουμε περαιτέρω την ενέργεια του ΗΕΓ προκειμένου να έχουμε ένα πιο αραιό σήμα. Μετά τη συμπίεση των σημάτων, χρησιμοποιούμε τον αλγόριθμο Pursuit Basis για την ανακατασκευή του αραιού DCT σήματος και κατόπιν τον αντίστροφο Discrete Cosine μετασχηματισμό για να επιστρέψουμε στο πεδίο χρόνου. Στη συνέχεια, εφαρμόζουμε το μετασχηματισμό Fourier και την Approximate Entropy για να ελέγξουμε τη διατήρηση των αρχικών πληροφοριών της κρίσης. Η ανάλυση CSP έχει χρησιμοποιηθεί συχνά στη βιβλιογραφία για διαχωρισμό σήματος πολυκαναλικού ΗΕΓ μεταξύ - κυρίως - δύο κατηγοριών. Στην παρούσα διπλωματική εργασία, οι καταγραφές ΗΕΓ από 10 άτομα ηλικίας 6,8 ± 5,9 ετών, περιλαμβανομένων 63 επιληπτικών κρίσεων, αναλύθηκαν σε σχέση με την ανίχνευση κρίσεων και τη διάκριση μεταξύ inter-ictal και ictal χρονικών διαστημάτων σήματος. Τεχνικές Machine learning για την επιλογή και την ταξινόμηση χαρακτηριστικών χρησιμοποιήθηκαν στην ανάλυση.Διπλωματική εργασία που κατατέθηκε στη σχολή ΗΜΜΥ του Πολ. Κρήτης για την πλήρωση προϋποθέσεων λήψης του προπτυχιακού Διπλώματοςhttp://creativecommons.org/licenses/by-nc-sa/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνTsekos_Nikolaos_Dip_2020.pdfChania [Greece]Library of TUC2020-02-27application/pdf3.9 MBembargo Tsekos Nikolaos Τσεκος Νικολαος Zervakis Michail Ζερβακης Μιχαηλ Karystinos Georgios Καρυστινος Γεωργιος Giannakakis Georgios Γιαννακακης Γεωργιος Πολυτεχνείο Κρήτης Technical University of Crete CSP Common spatial patterns Focal epilepsy Seizure detection EEG Compressed sensing