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 ...
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 χρησιμοποιήθηκε για πρώτη φορά το μοντέλο δικτύων Long Short-Term Memory (LSTM) για την αναγνώριση και ταξινόμηση προκριτικών προτύπων στο ΗΕΓ των ασθενών, μέσα από ένα ευρύ σύνολο χαρακτηριστικών που εξάγονται από το ΗΕΓ μέσω της ανάλυσης στο πεδίο του χρόνο και της συχνότητας, τη συσχέτιση μεταξύ των καναλιών και των πιο γνωστών μετρικών από τη θεωρεία των Γράφων. Για τη διαχείριση των ασθενών με νόσο Parkinson, εξάγονται προγνωστικοί παράγοντες που δηλώνουν τον αυξημένο κίνδυνο εμφάνισης ταχύτερης εξέλιξης των συμπτωμάτων της νόσου Parkinson, ή την εμφάνιση πρώιμων γνωστικών διαταραχών, χρησιμοποιώντας τεχνικές εξόρυξης και αλγορίθμους μηχανικής μάθησης. Η μεθοδολογία βασίζεται σε πολυπαραμετρικές αξιολογήσεις των αρχικών συμπτωμάτων από περίπου 600 χαρακτηριστικά, τα οποία προέρχονται από ανοιχτά δεδομένα. Επίσης, αναπτύσσονται συστήματα υποστήριξης απόφασης που βοηθούν στην αξιολόγηση της κατάστασης των ασθενών και την καλύτερη παρακολούθηση της εξέλιξης της νόσου με βάση τα στάδια της κλίμακας Hoehn & Yahr. Το προτεινόμενο σύστημα αποτελεί την πρώτη προσέγγιση σε αυτόν τον τομέα που βασίζεται σε αλγορίθμους μηχανικής μάθησης για την ανάλυση των κινητικών συμπτωμάτων των ασθενών με νόσο Parkinson και την αντιστοίχισή τους στα πέντε στάδια της κλίμακας Hoehn & Yahr.
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 ...
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 Memory (LSTM) network models for seizure prediction, in order to identify and classify preictal patterns in patients’ EEG and alarm for incoming seizures. A broad set of features is extracted from small EEG segments using time and frequency domain analysis, signal correlation analysis between the different EEG channels and the most popular metrics from Graph theory. For the management of PD patients, a model to extract prognostic factors indicating high risk of developing rapid symptoms progression or the occurrence of early cognitive decline in PD patients, using data mining techniques and machine learning algorithms. The methodology is based on multiparametric evaluations of the initial symptoms at the early stages of the disease, using an extensive set of about 600 baseline evaluation features from an open database. A Decision Support System (DSS) was also developed to assist clinicians while assessing the current status of patients with PD using the Hoehn & Yahr scale and improve progression monitoring in PD. The proposed DSS system is the first such approach in this field based on machine learning algorithms, which are used to analyze the motor symptoms of PD patients in order to accurately categorize them into the five stages of the Hoehn & Yahr scale.
περισσότερα