| Περίληψη |
Τα επιληπτικά επεισόδια νεογνών είναι μια κατάσταση που εμφανίζεται στα πρώτα παιδικά χρόνια και ευθύνονται για αρκετούς θανάτους και σοβαρά προβλήματα σε νεογέννητα βρέφη. Παρά τις τελευταίες εξελίξεις στη θεραπεία της πάθησης, το κύριο πρόβλημα που απασχολεί τους γιατρούς είναι η δυσκολία εντοπισμού και χαρακτηρισμού ενός επεισοδίου, καθώς ένα μικρό ποσοστό ανιχνεύεται σε μονάδες εντατικής θεραπείας νεογνών (NICU). Η ανάλυση σήματος EEG πολλαπλών καναλιών είναι η βασικότερη μέθοδος ανίχνευσης επιληπτικών κρίσεων. Ωστόσο, η ερμηνεία τέτοιων σημάτων αποτελεί μεγάλη πρόκληση, καθώς μόνο έμπειροι παιδονευρολόγοι με εξειδίκευση στην ανάλυση ηλεκτροεγκεφαλογραφήματος νεογνών μπορούν να κάνουν αυτήν την εργασία. Οι μέθοδοι μηχανικής μάθησης μπορούν να γίνουν ένα χρήσιμο εργαλείο στην ερμηνεία των σημάτων EEG και ταξινόμηση / πρόβλεψη αν αναφέρονται σε επιληπτικό επεισόδιο.
Υπάρχουν διάφορες μελέτες στη βιβλιογραφία που έχουν επίσης χρησιμοποιήσει μεθόδους μηχανικής μάθησης για την ταξινόμηση των κρίσεων νεογνών. Ωστόσο, ένα σημαντικό βήμα πριν προχωρήσουμε στην ταξινόμηση των επιληπτικών κρίσεων, είναι η απόρριψη των πολλαπλών πηγών θορύβου που υπάρχουν σε ολόκληρο το σήμα EEG. Ειδικά στην ανάλυση EEG νεογνών, όπου υπάρχουν περισσότερες πηγές θορύβου σε σύγκριση με τα σήματα EEG ενηλίκων, πρέπει να ληφθούν υπόψη περαιτέρω βήματα προεπεξεργασίας.
Στη μελέτη μας, συμπεριλάβαμε ένα επιπλέον βήμα, εκτός από τα βασικά βήματα φιλτραρίσματος συχνότητας που προτείνονται στη βιβλιογραφία, μιας ανάλυσης σήματος στις ανεξάρτητες πηγές σήματος του, χρησιμοποιώντας ανάλυση ανεξάρτητων πηγών (ICA). Με αυτόν τον τρόπο, και υπολογίζοντας ορισμένα στατιστικά μέτρα ως κατώφλια για την απόρριψη πηγών θορύβου, καταφέραμε να απομονώσουμε τις ανεξάρτητες πηγές θορύβου που υπήρχαν σε όλο το φάσμα συχνοτήτων και να τις απορρίψουμε επιβεβαιώνοντας τη θορυβώδη φύση τους.
Έχοντας πηγές σήματος χωρίς θόρυβο, πραγματοποιήσαμε ανάλυση wavelets για να εξαγάγουμε χαρακτηριστικά τόσο στο πεδίο του χρόνου όσο και της συχνότητας, τα οποία αξιοποιήθηκαν ως classifiers για τα μοντέλα ταξινόμησης. Εξήχθησαν οι βασικές ζώνες συχνοτήτων του εγκεφαλικού ρυθμού, μαζί με ορισμένα πρόσθετα στατιστικά μέτρα, όπως προτείνεται από τη βιβλιογραφία.
Δύο μοντέλα ταξινόμησης επιληπτικών κρίσεων εκπαιδεύτηκαν σε σύνολα δεδομένων δύο τάξεων, που περιείχαν παράθυρα με επεισόδιο και χωρίς. Ένας SVM και ένας Random Forest αξιολογήθηκαν και χρησιμοποιήθηκαν για το βήμα ταξινόμησης και τα χαρακτηριστικά μειώθηκαν τελικά μέσω του βήματος της επιλογής χαρακτηριστικών (feature selection) για την αφαίρεση των περιττών χαρακτηριστικών. Η όλη διαδικασία επαναλήφθηκε σε τέσσερις διαφορετικές δοκιμές, όπου χρησιμοποιήθηκαν παράθυρα με επεισόδια και μη, σπασίματος διαφορετικού μήκους για να παρατηρηθεί ο αντίκτυπος του διαφορετικού μεγέθους παραθύρου στα μοντέλα μας. Και τα δύο μοντέλα ταξινόμησης δοκιμάστηκαν σε ανεξάρτητα σύνολα δεδομένων και κατάφεραν να πετύχουν ποσοστά επιτυχίας άνω του 82% για το SVM και άνω του 95% για τον RF. Αυτή η διατριβή συνεισφέρει δύο μοντέλα ταξινόμησης για την ανίχνευση κρίσεων νεογνών, καθώς και έξι επιλεγμένα χαρακτηριστικά (delta_meanEnergy, gammaLow_meanEnergy, gammaHigh_meanEnergy, Shannon_entropy, Renyi_entropy και Kurtosis) τα οποία πέτυχαν υψηλά ποσοστά επιτυχίας.
Σχολίαζεται επίσης η σημασία της επισταμένης απόρριψης ανεξαρτήτων πηγών θορύβου, καθώς και οι διαφορές μεταξύ των δύο μοντέλων ταξινόμησης και ο αντίκτυπος του ποικίλου μεγέθους παραθύρου στην απόδοσή τους.
|
Design of a clinical trial simulator for studying infant seizures
