Χρήση Νευρωνικών Δικτύων Πρόσθιας Τροφοδότησης με Χρονικές Καθυστερήσεις για την Ανίχνευση Επιληπτικών Κρίσεων

Abstract

Στην παρούσα διπλωματική εργασία διερευνάται η δυνατότητα χρήσης τεχνητών νευρωνικών δικτύων (ΤΝΔ) για την ανίχνευση επιληπτικών κρίσεων. Αρχικά εξετάστηκε η δυνατότητα χρήσης δικτύων πρόσθιας τροφοδότησης με χρονικές καθυστερήσεις για την πρόβλεψη μελλοντικών τιμών του ηλεκτροεγκεφαλογραφήματος (ΗΕΓ). Συγκεκριμένα έγιναν δοκιμές πάνω σε ΗΕΓ δεδομένα βάθους που προήλθαν από τη βάση δεδομένων του Πανεπιστημίου του Freiburg τα οποία μετά από φιλτράρισμα παρουσιάστηκαν απευθείας στο νευρωνικό δίκτυο, το οποίο εκπαιδεύτηκε να προβλέπει ένα βήμα μπροστά. Έγιναν δοκιμές με δίκτυα 4 έως 60 νευρώνων και 4 έως 60 καθυστερήσεων και αξιολογήθηκε η απόδοσή τους με βάση το μέσο τετραγωνικό και το μέσο απόλυτο σφάλμα ώστε να καταλήξουμε στο μέγεθος του δικτύου που θα χρησιμοποιήσουμε. Τα αποτελέσματα της πρόβλεψης για ένα βήμα μπροστά ήταν ικανοποιητικά και έτσι δοκιμάσαμε να χρησιμοποιήσουμε τα δίκτυα για πρόβλεψη πολλαπλών βημάτων. Κάτι τέτοιο ωστόσο δεν έγινε εφικτό. Στη συνέχεια αναπτύχθηκε ένας αλγόριθμος ανίχνευσης επιληπτικών κρίσεων ο οποίος χρησιμοποιεί το σφάλμα των παραπάνω δικτύων για να ανιχνεύσει επιληπτικές κρίσεις, βασιζόμενος στην παρατήρηση ότι το επιληπτικό ΗΕΓ είναι πιο απρόβλεπτο από το κανονικό (μεσοκρισικό) ΗΕΓ. Ο αλγόριθμος αυτός εφαρμόζεται στη συνέχεια με τη χρήση δικτύων 16 νευρώνων και 32 καθυστερήσεων καθώς και δικτύων 16 νευρώνων και 100 καθυστερήσεων σε έξι ασθενείς της βάσης δεδομένων, σε καθένα από τα τρία εστιακά κανάλια ξεχωριστά. Παρουσιάζονται τα αποτελέσματα αυτής της εφαρμογής, τα οποία ποικίλλουν από ασθενή σε ασθενή, όντας ωστόσο αρκετά ενθαρρυντικά συνολικά.

In this thesis we investigate the use artificial neural networks (ANN) to detect epileptic seizures. Specifically we examine the usability of time delay feedforward neural networks (TLFN) for the prediction of future electroencephalographic (EEG) timesteps. Specific tests were performed on depth EEG data of the database of the University of Freiburg, which were filtered and then presented directly to the neural networks, and used to train the networks to predict one step ahead. We tested networks ranging from 4 to 60 neurons and from 4 to 60 delays and their performance was evaluated based on the mean squared and mean absolute error in order to conclude to the optimum size of the ANN for the task of prediction. The results of the one-step ahead prediction were satisfactory and therefore we tried to use the networks for multistep prediction. The outcome of multistep prediction however was not successful. We subsequently developed a seizure detection algorithm that uses the prediction error of these networks to detect seizures based on the observation that epileptic EEG is more unpredictable than normal (interictal) EEG. This algorithm is then applied using TLFNs of 16 neurons and 100 delays and 16 neurons and 32 delays to six patients from the database, to each of the three focal channels separately. Finally, the results of this application are presented, results which vary from patient to patient, but are overall quite encouraging.