G5 Artikkeliväitöskirja
EEG-based detection and prediction of epileptic seizures using one-dimensional convolutional neural networks (2022)

Wang, X. (2022). EEG-based detection and prediction of epileptic seizures using one-dimensional convolutional neural networks [Doctoral dissertation]. University of Jyväskylä. JYU dissertations, 584. http://urn.fi/URN:ISBN:978-951-39-9249-1

JYU-tekijät tai -toimittajat

Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Wang, Xiaoshuang

eISBN: 978-951-39-9249-1

Lehti tai sarja: JYU dissertations

eISSN: 2489-9003

Julkaisuvuosi: 2022

Sarjan numero: 584

Kirjan kokonaissivumäärä: 1 verkkoaineisto (65 sivua, 36 sivua useina numerointijaksoina, 16 numeroimatonta sivua)

Kustantaja: University of Jyväskylä

Julkaisumaa: Suomi

Julkaisun kieli: englanti

Pysyvä verkko-osoite: http://urn.fi/URN:ISBN:978-951-39-9249-1

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava

Tiivistelmä

Aivosähkökäyrään (engl. electroencephalography, EEG) perustuva epileptisten kohtausten havaitseminen ja ennustaminen on haastavaa. Täsmällisemmällä kohtausten havainnoinnilla voidaan parantaa epilepsiaa sairastavien elämänlaatua ja vähentää epileptisten kohtausten haittoja. Viime aikoina tekoälyn piirissä on saatu ensiluokkaisia tuloksia eri sovelluksissa, esimerkiksi kuvantunnistus- ja konenäkötehtävissä, käyttämällä niin kutsuttuja syväoppimismenetelmiä. Myös tässä väitöskirjassa sovellettiin ja kehitettiin syväoppimismenetelmiä, joiden avulla EEG-aineistoista pystyttiin luotettavasti havaitsemaan epileptisiä kohtauksia. Koska aivosähkökäyrät itsessään ovat yksiulotteisia aikasarjoja, paneuduttiin tässä työssä erityisesti niin kutsuttujen yksiulotteisten konvoluutioneuroverkkojen käyttöön. Lisäksi huomiota kiinnitettiin menetelmiin, joiden avulla eri mittauskanavilta saatavia aikasarjoja pystyttiin valitsemaan ja hyödyntämään epileptisten kohtausten paremman ennustustarkkuuden saavuttamiseksi. Konvoluutioneuroverkkoja käytettäessä EEG-aineiston mallinnus aloitetaan valitsemalla verkon rakenne. Tässä työssä rajoituttiin hyödyntämään päälaen ja kallonsisäisäisiä EEG-mittauksia, joiden kestoajat vaihtelivat kymmenistä sekunneista aina satoihin tunteihin. Näiden avulla määriteltyjen konvoluutioverkkojen toimintaa verrattiin aikaisemmassa tutkimuksessa esitettyihin tuloksiin. Johtopäätös oli, että väitöskirjan sisältämissä artikkeleissa esitettyjen menetelmien tarkkuus oli huomattavasti parempi kuin aikaisemmassa tutkimuksessa. Samoin aktiivisten mittauskanavien lukumäärää pystyttiin vähentämään merkittävästi. Kaiken kaikkiaan väitöskirja osoittaa, että konvoluutioneuroverkot soveltuvat sekä lyhyiden että pitkien EEG-aikasarjojen analysointiin ja epileptisten kohtausten havaitsemiseen. Yhdistettynä parhaiden mittauskanavien valintaan saadaan aikaiseksi syväoppimismenetelmiä, joiden ennustustarkkuus ja luotettavuus ovat erinomaisella tasolla.

YSO-asiasanat: epilepsia; sairauskohtaukset; havaitseminen; ennusteet; EEG; neuroverkot; syväoppiminen; väitöskirjat

Vapaat asiasanat: yksiulotteiset konvoluutiohermoverkot; 1D CNN

Liittyvät organisaatiot

OKM-raportointi: Kyllä

Raportointivuosi: 2022