| dc.description.abstract | Η επιληψία είναι μια από τις πιο κοινές νευρολογικές διαταραχές, η οποία χαρακτηρίζεται από επαναλαμβανόμενες κρίσεις που προκύπτουν από ανώμαλη ηλεκτρική δραστηριότητα στον εγκέφαλο. Η διάγνωση της επιληψίας γίνεται συχνά μέσω του ηλεκτροεγκεφαλογραφήματος (ΗΕΓ), το οποίο καταγράφει την ηλεκτρική δραστηριότητα του εγκεφάλου και αποτελεί ένα από τα κύρια εργαλεία των νευρολόγων. Ωστόσο, η παραδοσιακή ανάλυση των ΗΕΓ μπορεί να είναι χρονοβόρα και συχνά εξαρτάται από την υποκειμενική εκτίμηση των ειδικών.
Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη μιας μεθόδου για την αυτόματη ανίχνευση επιληπτικών κρίσεων σε παιδιατρικά ηλεκτροεγκεφαλογραφήματα (ΗΕΓ) χρησιμοποιώντας αλγορίθμους μηχανικής μάθησης (ΜΜ). Η επιληψία είναι μια νευρολογική διαταραχή που επηρεάζει παιδιά σε όλο τον κόσμο, και η έγκαιρη διάγνωση είναι ζωτικής σημασίας για τη διαχείρισή της. Η παραδοσιακή ανάλυση ΗΕΓ συχνά βασίζεται σε υποκειμενική εκτίμηση από εξειδικευμένους νευρολόγους, γεγονός που αυξάνει την πιθανότητα σφαλμάτων και καθυστερήσεων στη διάγνωση. Η παρούσα εργασία προτείνει την εφαρμογή αλγορίθμων ΜΜ, όπως οι Support Vector Machines (SVM) και τα Convolutional Neural Networks (CNN), για την αυτόματη ανάλυση των ΗΕΓ και την ανίχνευση επιληπτικών κρίσεων με μεγαλύτερη ακρίβεια και ταχύτητα.
Η μεθοδολογία που αναπτύχθηκε περιλαμβάνει την προεπεξεργασία των δεδομένων ΗΕΓ, την εξαγωγή χαρακτηριστικών και την εφαρμογή αλγορίθμων ΜΜ για την κατηγοριοποίηση των δεδομένων σε επιληπτικά και φυσιολογικά. Τα αποτελέσματα δείχνουν ότι οι αλγόριθμοι ΜΜ μπορούν να επιτύχουν υψηλή ακρίβεια στην αναγνώριση επιληπτικής δραστηριότητας, βελτιώνοντας τη διαδικασία διάγνωσης. Τέλος, η εργασία αναλύει τις προκλήσεις που αντιμετωπίζονται κατά την εφαρμογή των αλγορίθμων αυτών και προτείνει κατευθύνσεις για μελλοντική έρευνα, συμπεριλαμβανομένης της ανάπτυξης φορητών συσκευών για την παρακολούθηση των κρίσεων σε πραγματικό χρόνο. | en_US |
