Detekce artefaktů v mikro-EEG signálech

Abstract

Tato práce se zabývá navrhováním klasifikátorů pro detekci artefaktů v signálech nahraných mikroelektrodami v průběhu procedury hloubkové mozkové stimulace. Nejprve je nastíněna problematika léčby Parkinsonovy choroby, hloubkové mozkové stimulace, mikroelektrodových záznamů a současných způsobů detekce artefaktů a segmentace. Navrženy byly dvě metody pro detekci artefaktů. První metoda detekce je navržena pro detekci artefaktů v amplitudě signálu za použití jednovteřinových segmentů. Její výstup je porovnán se současnou anotací s výsledky zpochybňujícími vhodnost použití anotace. Následně je navržena metoda pro obecnou detekci všech pozorovaných typů artefaktů s využitím principů strojového učení. Navrženy jsou tři příznaky vycházející ze spektrogramu signálu a výsledné klasifikátory jsou vytvořeny pomocí algoritmů využívajících boosting. Výsledky jsou porovnány s jednoduchou metodou rozhodovacích stromů a existujícími metodami, založenými na detekci stacionárních oblastí. Konečný klasifikátor je založen na modelu RUSBoost. Výsledky po následné filtrování detekce na jednovteřinové intervaly jsou dostačující a klasifikátor s přesností 88.61% může být použit jako značná pomoc při odstraňování artefaktů.The purpose of this thesis is to design a classifier for artefact detection in microelectrode recording signals that were recorded during deep brain stimulation surgeries. Firstly, the issues of Parkinson's disease treatment, deep brain stimulation, microelectrode recording signals and existing artefact detection and segmentation methods are discussed. Secondly, two methods for artefact detection are designed. The first method is designed for power artefact detection in the time-domain using segments that are one second long. Its results are compared with the current annotation, questioning the convenience of the annotation. Then another - more general - method for artefact detection that uses machine-learning principles is suggested. Three features based on the spectrogram of the signal are designed and classifiers are created using the AdaBoost and the RUSBoost algorithms. The results are compared to a simple decision tree method and several existing methods based on the change-point detection. The final classifier based on the RUSBoost model working with one-second intervals proved capable of detecting artefacts with its 88.61% accuracy and balanced precision and specificity.