Umělá inteligence pro klasifikace obrazu z EEG signálu

Abstract

Umělá inteligence pro klasifikaci obrazu z EEG signálu: Tato diplomová práce se zabývá klasifikací obrazů vytvořených z EEG signálů pacientů trpících epilepsií. Epilepsie je jednou z nejrozšířenějších neurologických onemocnění na světě. Klasifikace epileptických záchvatů v EEG záznamech je časově náročný proces, který vyžaduje odborníka s dlouhodobými zkušenostmi. V práci byl navržen algoritmus transformace 1D EEG signálu na obrazová data. Záznamy byly po předzpracování podrobeny časově-frekvenční analýze, z jejíhož spektra byly následně vytvořeny GFP (Global Field Power) křivky jednotlivých frekvencí. Z GFP křivek byly extrahovány pozice nejvýraznějších vrcholů. V těchto pozicích (časových bodech), byly tvořeny topografické mapy. Ty posléze byly klasifikovány CNN (konvoluční neuronovou sítí). Jako síť byla použita SqueezeNet, která byla podrobena přeučení (tzv. transfer learningu). Celkem byly vytvořeny 3 druhy topografických map (z normalizovaného a nenormalizovaného spektra škálované, neškálované z normalizovaného spektra) a byly vytrénovány 3 sítě (pro každý typ map jedna). Následně byly sítě testovány na reálných datech pacientů, jejichž záznamy se neúčastnily trénovacího ani validačního procesu. Sítě měly úspěšnost okolo 80 % a v této práci bylo dokázáno, že navržený postup má potenciál k využití v praxi.

Artificial intelligence for image classification from EEG signal This thesis deals with image classification of EEG signals transformed into images of epileptic patients. Epilepsy is one of the most prevalent neurological diseases in the world. Classification of epileptic seizures from EEG recordings is a time-consuming process that requires an expert with long-term experience. In this paper, an algorithm has been proposed to transform 1D EEG signal into image data. After preprocessing, the recordings were subjected to time-frequency analysis, from which GFP (Global Field Power) curves of individual frequencies were subsequently generated. The positions of the most distinct peaks were extracted from the GFP curves. At these positions (time points), topographic maps were created. These were subsequently classified by a CNN (convolutional neural network). SqueezeNet was used as the network and subjected to transfer learning. In total, 3 types of topographic maps were created (scaled maps from normalized and nonnormalized spectrum and unscaled from normalized spectrum) and 3 networks (one for each type of maps) were trained. Subsequently, the networks were tested on real patient data whose records did not participate in the training or validation process. The networks had a success rate of about 80 % and the proposed approach shown in this paper has potential for practical application.