Χρήση αλγόριθμων μηχανικής μάθησης για την ανάλυση EEG με εφαρμογή στην άνοια
Φόρτωση...
Ημερομηνία
Συγγραφείς
Γκίζα, Ουρανία
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
Η άνοια είναι μια νευροεκφυλιστική διαταραχή που χαρακτηρίζεται από σταδιακή απώλεια μνήμης, σύγχυση και αλλαγή στην καθημερινότητα και τη συμπεριφορά. Η Νόσος Alzheimer και η μετωποκροταφική άνοια (Frontotemporal Dementia – FTD) είναι οι πιο κοινοί τύποι άνοιας με μεγάλο παγκόσμιο επιπολασμό που συνεχώς αυξάνεται. Η πορεία της άνοιας είναι προοδευτική και οι περισσότεροι ασθενείς καταλήγουν μετά από κάποια χρόνια από την εκδήλωση των συμπτωμάτων. Το ηλεκτροεγκεφαλογράφημα (Electroencephalogram – EEG), αποτυπώνει τα δυναμικά του εγκεφάλου και χρησιμοποιείται ως διαγνωστικό εργαλείο σε πλήθος νευρολογικών παθήσεων. Τα τελευταία χρόνια το EEG υποστηρίζει το έργο των νευρολόγων στις κλινικές διαγνώσεις για την άνοια, καθώς η διαδικασία εκφύλισης αντικατοπτρίζεται στις αλλαγές των σημάτων ακόμα και στα πρώιμα στάδια. Παράλληλα, οδηγεί στην ανάπτυξη διαγνωστικών βιοδεικτών που θα μπορούσαν να χρησιμοποιηθούν στο κλινικό περιβάλλον και στις θεραπευτικές δοκιμές. Τα κύρια στάδια της επεξεργασίας σήματος EEG είναι η απομάκρυνση του θορύβου, η εξαγωγή χαρακτηριστικών και η ταξινόμηση.
Σκοπός της παρούσας εργασίας είναι η ανάλυση του EEG, ο υπολογισμός των χαρακτηριστικών του και μελέτη αλγορίθμων μηχανικής μάθησης που μπορούν να εφαρμοστούν για την έγκαιρη ανίχνευση της άνοιας. Διάφορες τεχνικές μηχανικής μάθησης όπως τα Τεχνητά Νευρωνικά Δίκτυα, τα Δέντρα Αποφάσεων και οι Μηχανές Διανυσμάτων Υποστήριξης μελετώνται σε αυτή την εργασία για τον εντοπισμό της άνοιας και το διαχωρισμό των πιο κοινών μορφών της. Αποτελέσματα της προτεινόμενης μεθοδολογίας είναι ικανοποιητικά με ποσοστά ταξινόμησης που φτάνουν άνω του 90%.
Dementia is a progressive neurodegenerative disorder characterized by memory loss, confusion and mood changes. Alzheimer’s Disease and Frontotemporal Dementia (FTD) are the most common types of dementia with a great worldwide prevalence. The course of the disease is progressive and most patients end up with an average of one decade after the onset of the disease, which is located between the 5th and 6th decade of a person's life. Electroencephalogram (EEG) is a cost-effective technique that captures the brain dynamics and is used for the diagnosis of many brain disorders. Lately, the EEG serves as a secondary diagnostic tool in the diagnosis of dementia and its types that confirm the disease even at an early stage. The main stages of EEG signal processing are noise removan, feature extraction, classification. The purpose of this study is the analysis of the EEG, the extraction of its characteristics and the study of machine learning algorithms that can be applied for the early detection of dementia. Various machine learning techniques such as Artificial Neural Networks, Decision Trees and Support Vector Machines are studied in this work to identify dementia and distinguish its most common types. Results of the proposed methodology are satisfactory with classification accuracy reaching over 90%.
Dementia is a progressive neurodegenerative disorder characterized by memory loss, confusion and mood changes. Alzheimer’s Disease and Frontotemporal Dementia (FTD) are the most common types of dementia with a great worldwide prevalence. The course of the disease is progressive and most patients end up with an average of one decade after the onset of the disease, which is located between the 5th and 6th decade of a person's life. Electroencephalogram (EEG) is a cost-effective technique that captures the brain dynamics and is used for the diagnosis of many brain disorders. Lately, the EEG serves as a secondary diagnostic tool in the diagnosis of dementia and its types that confirm the disease even at an early stage. The main stages of EEG signal processing are noise removan, feature extraction, classification. The purpose of this study is the analysis of the EEG, the extraction of its characteristics and the study of machine learning algorithms that can be applied for the early detection of dementia. Various machine learning techniques such as Artificial Neural Networks, Decision Trees and Support Vector Machines are studied in this work to identify dementia and distinguish its most common types. Results of the proposed methodology are satisfactory with classification accuracy reaching over 90%.
Περιγραφή
Λέξεις-κλειδιά
Λογισμικό, Διαχείριση ασθενών, Άνοια
Θεματική κατηγορία
Αλγόριθμοι υπολογιστών, Διαδίκτυο - Ιατρική
Παραπομπή
Σύνδεσμος
Γλώσσα
el
Εκδίδον τμήμα/τομέας
Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Όνομα επιβλέποντος
Γλαβάς, Ευριπίδης
Εξεταστική επιτροπή
Τζάλλας, Αλέξανδρος
Γιαννακέας, Νικόλαος
Γιαννακέας, Νικόλαος
Γενική Περιγραφή / Σχόλια
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Γκίζα, Ο., 2021. Χρήση αλγόριθμων μηχανικής μάθησης για την ανάλυση EEG με εφαρμογή στην άνοια. Μεταπτυχιακή εργασία. Άρτα: Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών
Ονόματα συντελεστών
Αριθμός σελίδων
79 Σ.
Λεπτομέρειες μαθήματος
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Attribution-NonCommercial-NoDerivs 3.0 United States