Ανίχνευση ατράκτων εγκεφαλογραφήματος ύπνου με συνελικτικά νευρωνικά δίκτυα
Detection of spindles of sleep electroencephalogram with convolutional neural networks
Λέξεις-κλειδιά
Ηλεκτροεγκεφαλογραφία ; Συνελικτικά νευρωνικά δίκτυα ; ΆτρακτοιΠερίληψη
Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η χρήση μεθόδων βαθιάς μάθησης για την αυτόματη ανίχνευση συγκεκριμένων κυματομορφών στο ηλεκτροεγκεφαλογράφημα (ΗΕΓ) ύπνου που ονομάζονται υπνικές άτρακτοι.
Οι άτρακτοι αποτελούν σημαντικούς βιοδείκτες για τη μελέτη του ύπνου και τη διάγνωση παθολογικών καταστάσεων. Η αναγνώριση προτύπων και αντικειμένων σε εικόνες είναι ιδιαίτερα ενεργό πεδίο έρευνας στην επιστήμη των υπολογιστών, χάρη στην ανάπτυξη της αναγνώρισης προτύπων, της μηχανικής μάθησης και της υποπερίπτωσής της, της βαθιάς μάθησης. Μέρος των τεχνικών βαθιάς μάθησης είναι η οικογένεια των συνελικτικών νευρωνικών δικτύων (Convolutional Neural Networks - CNN).
Στην παρούσα διπλωματική εργασία, διερευνάται η εφαρμογή του συνελικτικού νευρωνικού δικτύου GoogLeNet σε καταλλήλως επεξεργασμένα δεδομένα υπνικού ΗΕΓ. Το σύνολο δεδομένων χωρίστηκε σε τέσσερα διαφορετικά σύνολα εκμάθησης και δοκιμής και έγινε διερεύνηση για δύο αλγόριθμους βελτιστοποίησης για διάφορες παραμέτρους τους. Από τα αποτελέσματα φάνηκε ότι χρησιμοποιώντας τον αλγόριθμο SGDM για μικρό βήμα εκμάθησης πετυχαίνουμε παραμέτρους επίδοσης πάνω από 90%, σε δίκτυα που επιδεικνύουν και αξιόλογη σταθερότητα στην φάση της εκμάθησής τους.
Περίληψη
The subject of the present Diploma Thesis is the use of deep learning methods to automatically detect specific waveforms in the sleep electroencephalogram (EEG) called sleep spindles.
Spindles are important biomarkers for the study of sleep and the diagnosis of pathological conditions. Pattern and object recognition in images is a particularly active area of research in computer science, thanks to the development of pattern recognition, machine learning, and its subcase, deep learning. Convolutional Neural Networks (CNN) belong to deep learning techniques.
In the present Thesis, the application of the pretrained GoogLeNet convolutional neural network, to properly processed sleep EEG data, is investigated. The dataset was divided into four different training and testing sets and two optimization algorithms were investigated varying their parameters. The results showed that using the SGDM algorithm for a small learning step we achieved performance parameters above 90%, in networks that also demonstrate remarkable stability in their learning phase.