Χρήση συνελικτικών νευρωνικών δικτύων για ανάλυση ηλεκτροεγκεφαλογραφήματος σε ασθενείς με Πάρκινσον

Abstract

Η νόσος του Πάρκινσον, είναι μια εκφυλιστική και αρκετά συχνή πάθηση του Κεντρικού Νευρικού Συστήματος. Αποτελείται από πέντε στάδια, ανάλογα με την βαρύτητα των συμπτωμάτων. Η αξιολόγηση της πραγματικής κατάστασης του ασθενή, προκύπτει από διάφορες κλίμακες αξιολόγησης των σταδίων της νόσου. Σκοπός της παρούσας διπλωματικής εργασίας, είναι η ανάπτυξη μιας μεθοδολογίας για την αυτόματη αξιολόγηση της βαρύτητας των συμπτωμάτων της νόσου του Πάρκινσον χρησιμοποιώντας μόνο τα δεδομένα που καταγράφονται από το ηλεκτροεγκεφαλογράφημα. Προτείνεται, λοιπόν, ένα αυτοματοποιημένο σύστημα αξιολόγησης των σταδίων της νόσου, χρησιμοποιώντας συνελικτικά νευρωνικά δίκτυα. Δεδομένου ότι, η νόσος του Parkinson σχετίζεται με την εκφύλιση των εγκεφαλικών κυττάρων, τα σήματα που προκύπτουν από ένα ηλεκτροεγκεφαλογράφημα, λαμβάνονται υπόψη για την έγκαιρη διάγνωση. Σε αυτή την μελέτη, έγινε χρήση των ΗΕΓ σημάτων, από 16 υγιή υποκείμενα και 15 ατόμων που νοσούν από Πάρκινσον. H αρχιτεκτονική του συνελικτικού δικτύου που υλοποιείται, αποτελείται από οχτώ επίπεδα. Το μοντέλο που αναπτύσσεται αποτελείται από πέντε πειράματα, με το καλύτερο να πετυχαίνει μια πολλά υποσχόμενη απόδοση με ακρίβεια ταξινόμησης ίση με 90,24%, μέση ευαισθησία ίση με 92,22% και μέση ακρίβεια θετικής πρόβλεψης ίση με 89,53%.

Parkinson decease is a degenerative and quite common disease of the Central Nervous System. It consists of five stages, depending on the severity of the symptoms. The evaluation of the real condition of the patient results from various scales of evaluation of the stages of the disease. The purpose of this dissertation is, automatic evaluation the severity of the symptoms of Parkinson's disease, using only the data recorded by the electroencephalogram. Therefore, an automated system for detecting the stages of the disease is proposed, using convergent neural networks. Because Parkinson's disease is associated with brain cell degeneration,, the signals from an electroencephalogram - EEG are considered for early diagnosis. In this study, EEG signals were used from 16 healthy subjects and 15 people with Parkinson's disease. The architecture of the convergent neural network that is implemented, consists of eight levels. The model being developed consists of five experiments, with the best achieving a promising performance with a classification accuracy of 90.24%, an average sensitivity of 92.22% and an average positive prediction accuracy of 89.53%.