Vliv artefaktů v mikroelektrodových záznamech na klasifikaci subkortikálních struktur

Abstract

Hlboká mozgová stimulácia je neurochirurgická metóda, pozostávajúca z elektrickej stimulácie špecifickej subkortikálnej štruktúry. Je to jedna z metód liečby Parkinsonovej choroby. Počas operácie hlbokej mozgovej stimulácie neurológ manuálne anotuje nahrané mikroelektródové záznamy aby identifikoval ideálnu pozíciu stimulačnej elektródy. Tieto záznamy často obsahujú nežiaduce artefakty, ktoré môžu významne ovplyvniť následné spracovanie a vyhodnotenie signálov. Táto bakalárska práca je zameraná na implementáciu a vyhodnotenie sady klasifikátorov pre automatické rozpoznávanie mozgových jadier v záznamoch. Cieľom práce je sledovať vplyv nežiaducich artefaktov a dopad ich odstránenia na ich na následné vyhodnotenie. Automatická klasifikácia mozgového jadra by mohla počas operácie uľahčiť lekárom manuálnu prácu. Najskôr bola implementovaná klasifikácia mozgového jadra prahovaním založeným na jednom z príznakov mikroelektródových záznamov, normalizovanej energii RMS. Pred klasifikáciou boli zo záznamov odstránené artefakty. Bolo ukázané, že presné odstránenie artefaktov má veľký vplyv na presnosť klasifikácie. Následne bola implementovaná klasifikácia pomocou algoritmu Random forest s doladenými parametrami a algoritmu Support Vector Machine (SVM) so selekciou príznakov. Klasifikácia prahovaním dosiahla presnosť 90.71 %. Random forest dosiahol presnosť 90.89 % a SVM presnosť 90.93 %.

Deep brain stimulation (DBS) is a neurochirurgical method consisting of continuous electrical stimulation to specific subcortical brain structures. Today, DBS is an established treatment for Parkinson's disease. The neurologist manually annotates the microelectrode recordings recorded during DBS surgery to identify the ideal position of the DBS electrode. Microelectrode recordings often contain unwanted artefacts that could significantly influence further signal processing. This bachelor's thesis aims to implement and evaluate a set of classifiers for automatic brain nuclei detection in microelectrode recordings. The focus is on the influence of undesirable artifacts in microelectrode recordings and on the methods of their removal. The nuclei classifier could advise the surgical team intraoperatively and in real-time. Firstly, classification by thresholding based on one of the microelectrode features, normalized RMS power, was evaluated. The classification was performed after two different methods removed artefacts from the signals. Proper artifact removal has an immense impact on the accuracy of classification. Secondly, the nucleus was classified using Random Forest (RF) with tuned hyperparameters and the Support Vector Machine (SVM) algorithm with a balanced training dataset. The normalized RMS thresholding achieved an accuracy of 90.71 %. In comparison, the RF and SVM algorithms achieved an accuracy of 90.89 % and 90.93 %, respectively.