Towards robust EEG-based human-computer interaction applications: exploring machine learning methods in cognitive states and neurological disorders

Abstract

Electroencephalography is a diagnostic tool that is often underutilized despite its significant potential. It is used for monitoring electrical activity in the brain, providing a high temporal resolution that makes it particularly suitable for real-time analysis. The inherent characteristics of EEG data, such as its temporal resolution, make it an ideal candidate for application in machine learning, enhancing its capabilities for automated analysis and diagnosis. The aim of this PhD research is to apply modern signal processing techniques and machine learning algorithms to develop robust methodologies for the automated detection of neurological conditions and cognitive states. While the primary focus is on Alzheimer's research, this study also explores applications in Brain-Computer Interfaces and epilepsy. The research findings indicate that automated methodologies, when combined with EEG data, can significantly improve screening processes for dementia and other neurological conditions. These methodologies provide valuable insights that could pave the way for future clinical applications. Modern deep learning methodologies, particularly transformers, have shown great promise in this domain. These advanced techniques can further enhance the capability of automated systems to analyze complex EEG data, leading to more accurate and reliable diagnostic tools. By leveraging these cutting-edge approaches, this research contributes to the ongoing efforts to integrate AI-driven solutions into clinical practice, ultimately improving patient outcomes and advancing the field of neurological diagnostics.

Το ηλεκτροεγκεφαλογράφημα είναι ένα διαγνωστικό εργαλείο που συχνά δεν αξιοποιείται επαρκώς παρά τις σημαντικές δυνατότητές του. Χρησιμοποιείται για την παρακολούθηση της ηλεκτρικής δραστηριότητας στον εγκέφαλο, παρέχοντας υψηλή χρονική ανάλυση που το καθιστά ιδιαίτερα κατάλληλο για ανάλυση σε πραγματικό χρόνο. Τα εγγενή χαρακτηριστικά των δεδομένων ηλεκτροεγκεφαλογραφήματος, όπως η χρονική του ανάλυση, τα καθιστούν ιδανικό υποψήφιο για εφαρμογή στη μηχανική μάθηση, ενισχύοντας τις δυνατότητές τους για αυτοματοποιημένη ανάλυση και διάγνωση. Ο στόχος αυτής της διδακτορικής έρευνας είναι η εφαρμογή σύγχρονων τεχνικών επεξεργασίας σήματος και αλγορίθμων μηχανικής μάθησης για την ανάπτυξη αξιόπιστων μεθοδολογιών για την αυτοματοποιημένη ανίχνευση νευρολογικών καταστάσεων και γνωστικών καταστάσεων. Ενώ η κύρια εστίαση είναι στην έρευνα για τη νόσο Αλτσχάιμερ, η μελέτη αυτή διερευνά επίσης εφαρμογές στις διεπαφές εγκεφάλου-υπολογιστή και στην επιληψία. Τα ευρήματα της έρευνας δείχνουν ότι οι αυτοματοποιημένες μεθοδολογίες, όταν συνδυάζονται με δεδομένα ηλεκτροεγκεφαλογραφήματος, μπορούν να βελτιώσουν σημαντικά τις διαδικασίες ελέγχου για την άνοια και άλλες νευρολογικές καταστάσεις. Αυτές οι μεθοδολογίες παρέχουν πολύτιμες γνώσεις που θα μπορούσαν να ανοίξουν το δρόμο για μελλοντικές κλινικές εφαρμογές. Οι σύγχρονες μεθοδολογίες βαθιάς μάθησης, ιδίως τα δίκτυα transformers, φαίνεται να είναι πολλά υποσχόμενες σε αυτόν τον τομέα. Αυτές οι προηγμένες τεχνικές μπορούν να βελτιώσουν περαιτέρω την ικανότητα των αυτοματοποιημένων συστημάτων να αναλύουν σύνθετα δεδομένα ηλεκτροεγκεφαλογραφήματος, οδηγώντας σε πιο ακριβή και αξιόπιστα διαγνωστικά εργαλεία. Αξιοποιώντας αυτές τις προσεγγίσεις αιχμής, η παρούσα έρευνα συμβάλλει στις συνεχιζόμενες προσπάθειες για την ενσωμάτωση λύσεων που βασίζονται στην Τεχνητή Νοημοσύνη στην κλινική πρακτική, βελτιώνοντας τελικά τα αποτελέσματα των ασθενών και προωθώντας τον τομέα της νευρολογικής διάγνωσης.