Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/96021
Title: SEIZURE PREDICTION WITH SPECIALIZED CLASSIFIERS AND IMAGE PROCESSING
Other Titles: PREVISÃO DE CRISES EPILÉTICAS USANDO MULTI-CLASSIFICADORES ESPECIALIZADOS E PROCESSAMENTO DE IMAGEM
Authors: Leal, Tiago de Almeida Pinto da Cunha
Orientador: Correia, António Dourado Pereira
Teixeira, César Alexandre Domingues
Keywords: Previsão de Crises Epiléticas; Aprendizagem Computacional Profunda; Processamento de Imagem; Multi-Classificadores Profundos; Sinal EEG Bruto; Seizure Prediction; Deep Learning; Image Processing; Deep Multi-Classifiers; Raw EEG
Issue Date: 15-Sep-2021
Serial title, monograph or event: SEIZURE PREDICTION WITH SPECIALIZED CLASSIFIERS AND IMAGE PROCESSING
Place of publication or event: DEI- FCTUC
Abstract: Em 30% das cerca de 70 milhões de pessoas que sofre de epilepsia, nem cirurgia nem medicação impede a ocorrência de crises epiléticas. Uma solução para melhorar a sua qualidade de vida passa pelo uso de dispositivos transportáveis que as prevejam. Pretende-se desenvolver um algoritmo de previsão de crises com aprendizagem computacional, usando sinais EEG sem extração tradicional de caraterísticas ajudando na construção desses dispositivos.A literatura mostrou que, apesar dos resultados promissores de estudos com abordagens semelhantes, nenhum foi capaz de os traduzir num funcionamento em tempo-real em ambiente clínico e, muito menos, em ambulatório. Tal ocorre, em grande medida, pela falta de acesso a um grande conjunto de dados essenciais. Também foi visto que nenhum trabalho utilizou várias CNNs a prever em conjunto, nem processamento de imagem.Assim, a base de dados EPILEPSIAE foi usada para superar a necessidade de muitos dados contínuos e de longo prazo. Foram desenvolvidos vários algoritmos que usam sinal EEG bruto para treinar CNNs especializadas, e foram testados vários métodos para classificar, criar e processar imagens.As experiências mostraram que processar a imagem ajudou a melhorar a performance numa arquitetura onde várias AlexNets especializadas foram usadas para prever, numa abordagem de “transfer learning”. No entanto, os resultados obtidos de 62% de sensibilidade e 0.25 de FPR/h (False Positive Rate per Hour) estão ainda longe da aplicabilidade clínica e não são melhores do que outros publicados. No entanto, dado que nesses se usam dados substancialmente diferentes, não tem grande significado fazer comparações diretas.Há ainda muitas variações do algoritmo que se podem testar. Devido à sua complexidade, o valor ideal para algumas variáveis não pode ser ainda encontrado e alguns métodos não puderam ser testados. No entanto, constatou-se que há potencial em prever as crises com métodos de aprendizagem computacional profunda e processamento de imagem.
For 30% of the 70 million people that suffer from epilepsy, neither surgery nor medication prevent seizures. A promissing solution to improve their quality of life is the use of transportable devices that can predict them.This thesis aims to develop a new seizure prediction algorithm based on deep learning techniques, using the raw EEG signal with no traditional feature extraction, helping in the construction of these devices.Literature review showed that, even though various studies with similar approaches obtained good results, none could translate them into real-time operation in a clinical environment, much less in an outpatient setting. This happens due to a lack of a sizeable essential data for the predictor. Also, none neither tried several specialized CNNs working together nor applied image processing methods to improve performance. So, EPILEPSIAE database is be used to overcome the need of a lot of continuous long-term data. Various algorithms using raw signal to train several specialized CNNs were trained along with several methods to classify, create and process images.Results showed that image processing helped to improve performance on an architecture where several specialized AlexNets were used to predict seizures, in a transfer learning approach. However, the results obtained of 62% sensitivity and 0.25 FPR/h are still far away from clinical use are not better than other published works. However, because of substantially different data used in this work, it is not significant to make a direct comparison.There are still variations of the algorithm created to be tried. Due to its complexity, the ideal value for most variables could not be found and other methods could not be tested. Nonetheless, there is potential in predicting seizures with deep learning methods and image processing.
Description: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/96021
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
Dissertacao Tiago Leal.pdf4.48 MBAdobe PDFView/Open
Show full item record

Page view(s)

7
checked on Nov 26, 2021

Download(s)

8
checked on Nov 26, 2021

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons