Υπολογιστικές μέθοδοι παρακολούθησης και διαχείρισης ασθενών με νευρολογικές παθήσεις

Περίληψη

Η παρούσα διδακτορική διατριβή επικεντρώνεται στην ανάπτυξη υπολογιστικών μεθόδων για την καλύτερη διαχείριση ασθενών που πάσχουν από επιληψία ή νόσο Parkinson, δύο από τις πιο συνήθεις νευρολογικές παθήσεις. Για τη διαχείριση ασθενών που πάσχουν από επιληψία, προτείνονται μεθοδολογίες που βασίζονται στην ανάλυση του ηλεκτροεγκεφαλογραφήματος (ΗΕΓ), για την αυτόματη ανίχνευση επιληπτικών κρίσεων και την έγκαιρη πρόβλεψη της εμφάνισής τους. Αναπτύχθηκαν καινοτόμες μεθοδολογίες αυτόματης ανίχνευσης κρίσεων οι οποίες σχεδιάστηκαν να λειτουργούν χωρίς επίβλεψη, με κριτήρια ανίχνευσης που βασίζονται στη διαθέσιμη ιατρική γνώση, αντί στην εκπαίδευση με προ-αξιολογημένα δεδομένα. Οι προτεινόμενες μεθοδολογίες αποτελούν τις πρώτες υλοποιήσεις αυτόματης ανίχνευσης επιληπτικών κρίσεων χωρίς επίβλεψη ή εκπαίδευση, και αξιολογήθηκαν με ανοιχτά δεδομένα ΗΕΓ από μεγάλες βάσεις δεδομένων. Η μεθοδολογία πρόβλεψης κρίσεων εισάγει αλγορίθμους βαθιάς μάθησης στην ανάλυση του προκριτικού ΗΕΓ, καθώς χρησιμ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

This thesis focuses on developing computational methods to improve management and monitoring of patients suffering from epilepsy or Parkinson's disease (PD), two of the most common neurological disorders. In the case of epilepsy various methodologies were designed to perform electroencephalogram (EEG) analysis for automatic detection of epileptic seizures and the timely prediction of their occurrence, respectively. Innovative methodologies have been developed focusing on unsupervised seizure detection criteria, utilizing the available medical knowledge instead of relying on pre-evaluated EEG data for training. The proposed methodologies are the first implementations for unsupervised seizure detection that were developed without any apriori information or training and evaluated with open EEG data from big datasets. The proposed epileptic seizure prediction methodology introduces deep learning algorithms in the analysis of preictal EEG signals, using for the first time Long Short-Term Me ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/47373
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/47373
ND
47373
Εναλλακτικός τίτλος
Computational methods for monitoring and evaluating patients with neurological disorders
Συγγραφέας
Τσιούρης, Κωνσταντίνος (Πατρώνυμο: Μιχαήλ)
Ημερομηνία
2020
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Βιοϊατρικής Τεχνολογίας
Εξεταστική επιτροπή
Κουτσούρης Δημήτριος - Διονύσιος
Φωτιάδης Δημήτριος
Ματσόπουλος Γεώργιος
Τσανάκας Παναγιώτης
Κονιτσιώτης Σπυρίδων
Έξαρχος Θεμιστοκλής
Μπαμίδης Παναγιώτης
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΒιοϊατρική Μηχανική
Ιατρική και Επιστήμες ΥγείαςΙατρική Βιοτεχνολογία
Λέξεις-κλειδιά
Επιληψία, Ηλεκτροεγκεφαλογράφημα; Πρόβλεψη επιληπτικών κρίσεων; Ανίχνευση επιληπτικών κρίσεων; Δίκτυα βαθιάς μάθησης; Νόσος Parkinson; Προγνωστικοί παράγοντες; Συστήματα υποστήριξης κλινικών αποφάσεων
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
6, xxiv, 318 σ., εικ., πιν., σχημ., γραφ.
Ειδικοί όροι χρήσης/διάθεσης
Το έργο παρέχεται υπό τους όρους της δημόσιας άδειας του νομικού προσώπου Creative Commons Corporation:
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)