Machine learning data preparation for epileptic seizures prediction.

Abstract

Epilepsy is a chronic neurological disorder that affects approximately 50 million people worldwide. These intractable seizures postures are a serious risk of injury, restrict the self-sufficiency and mobility of a person. They also result in social isolation and have a severe financial impact on the individuals. Prognosis of the above postures has been a research topic for the last 30 years. A key task when you want to build a sophisticated analytic model using machine learning or deep learning technique is the integration and preparation (data cleansing and feature engineering) of the data sets. This step consists approximately 80 percent of the whole analytics project. In this thesis, we focus on data preparation of Electroencephalography (EEG) signals in order to extract accurate features and therefore predict epileptic seizures. The data preparation is then applied on the CHB-MIT Scalp EEG database which was collected at the Children’s Hospital Boston and is consisted of scalp Electroencephalogram recordings from pediatric subjects with intractable seizures. In this database, all subjects were monitored for up to several days following withdrawal of anti-seizure medication. In conclusion, this thesis implements different combination of data preprocessing algorithms to generate features for seizures prediction, which, in turn, can lead to substantial advances of neuroscience.

Η επιληψία είναι μια χρόνια νευρολογική διαταραχή που πλήττει περίπου 50 εκατομμύρια ανθρώπους παγκοσμίως. Οι επιληπτικές κρίσεις αποτελούν σοβαρό κίνδυνο τραυματισμού, περιορίζουν την αυτάρκεια και την κινητικότητα ενός ατόμου. Μπορούν επίσης να οδηγήσουν σε κοινωνική απομόνωση και έχουν σοβαρές οικονομικές επιπτώσεις στα άτομα που πάσχουν από αυτές. Η πρόγνωση των επιληπτικών κρίσεων υπάρχει ως ανοιχτό ερευνητικό θέμα τα τελευταία 30 χρόνια. Ένα βασικό βήμα πριν δημιουργηθεί ένα εξελιγμένο αναλυτικό μοντέλο χρησιμοποιώντας μηχανική μάθηση (Machine Learning) ή τεχνική βαθιάς εκμάθησης (Deep Learning) είναι η ενσωμάτωση και η προετοιμασία (καθαρισμός δεδομένων και η εξόρυξη χαρακτηριστικών) του συνόλου των δεδομένων. Αυτό το βήμα αποτελεί περίπου το 80% του συνόλου του έργου ανάλυσης. Στη παρούσα διπλωματική εργασία, εστιάζουμε στην προ-επεξεργασία των σημάτων ηλεκτροεγκεφαλογραφήματος (EEG) με σκοπό την εξαγωγή κατάλληλων χαρακτηριστικών για την πρόβλεψη επιληπτικών κρίσεων. Η προεπεξεργασία των δεδομένων εφαρμόστηκε σε μια βάση δεδομένων για ερευνητικούς σκοπούς που συλλέχθηκε στο Παιδιατρικό Νοσοκομείο της Βοστώνης και αποτελείται από ηλεκτροεγκεφαλογραφικές εγγραφές από παιδιά με δυσεπίλυτες επιληπτικές κρίσεις. Σε αυτή τη βάση δεδομένων, όλα τα άτομα παρακολουθήθηκαν για αρκετές ημέρες χωρίς τη φαρμακευτική αγωγή αντιεπιληπτικών. Καταλήγοντας, στη παρούσα διπλωματική εργασία υλοποιούνται διαφορετικοί συνδυασμοί αλγορίθμων προεπεξεργασίας δεδομένων και μέθοδοι για την εξαγωγή χαρακτηριστικών με στόχο την εύρεση των χαρακτηριστικών που εντοπίζουν το σημείο πριν την έναρξη της επιληπτικής κρίσης.