Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)

Detalhes bibliográficos
Autor(a) principal: Paiva, Carlos André Almeida
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/88118
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_fd615e5c28123541e14efb48b90780ac
oai_identifier_str oai:estudogeral.uc.pt:10316/88118
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)Detecção e previsão de crises epilépticas com base em informação espacial-temporal do EEG e Deep Machine LearningEpilepsiaEletroencefalografiaEEGAprendizagem Computacional ProfundaEpilepsyElectroencephalographyEEGDeep LearningDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaConhecida como uma das doenças neurológicas mais comuns, a epilepsia afeta 1% da população mundial. Para 30% dos pacientes diagnosticados com epilepsia, não há tratamento ou medicação viável para evitar a ocorrência de crises. Esse tipo de epilepsia é chamado de epilepsia resistente a medicamentos. Isso significa que integridade física desses pacients pode estar comprometida a qualquer momento, o que pode colocar suas vidas em risco. Para essas pessoas, todo esforço bem-sucedido em prever ou detectar crises epilépticas tem o potencial de melhorar significativamente suas vidas.Esse assunto tem sido explorado na literatura bastante extensivamente, principalmente quando se trata de analisar características temporais e dados extraídos de vários electrodos. No entanto, existem muito poucos estudos que se concentram também em explorar as relações espaciais entre electrodos. A nossa ideia é explorar o potencial das relações espaciais entre os electrodos, através de mapas de electrodos, a fim de criar um modelo que possa prever ou detectar crises, possivelmente com melhor desempenho do que as já existentes. Nesse sentido, este projecto de tese aplicará técnicas de aprendizagem computacional profunda ao problema de detecção ou previsão de crises epilépticas, usando mapas de eletrodos derivados de dados do eletroencefalograma (EEG).Nosso modelo final é um detector de crises realista, que deve produzir alertas para crises em tempo real, usando redes neurais convolucionais em dados brutos de EEG. Esta tese explora os vários desafios da construção de um modelo capaz de alta sensibilidade e detecção precoce de um sistema como esse.Esta tese foi conduzida usando dados de EEG incluídos na European Epilepsy Database (banco de dados EPILEPSIA).Known as one of the most common neurological disorders, epilepsy affects 1% of the world’s population. For 30% of epilepsy diagnosed patients, there is no viable treatment or medication to prevent the occurrence of seizures. This type of epilepsy is called drug resistant epilepsy. This means that their physical integrity is compromised, which eventually may put their lives at risk. For these people, every successful effort in predicting or detecting seizure events has the potential to significantly improve their lives.This subject has been explored in literature quite extensively, particularly when it comes to analyzing temporal features and data retrieved from various electrodes. However, there aver very few studies that focus also on exploring the spatial relations between electrodes. Our idea is to explore the potential of spatial relations between electrodes, through electrode maps, in order to create a model that can predict or detect seizures, possibly with better performance than already existing ones. Towards that end, this thesis project will be applying deep learning techniques to the problem of detecting or predicting epileptic seizures, using electrode maps derived from electroencephalogram (EEG) data.Our final model is a realistic seizure detector that is expected to produce alerts for seizures in real time using convolutional neural networks on raw EEG data. This thesis explores the various challenges of building a model capable of high sensitivity and early detection for a system like this.This thesis was conducted using scalp EEG data comprised in the European Epilepsy Database (EPILEPSIA database).2019-09-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/88118http://hdl.handle.net/10316/88118TID:202306941engPaiva, Carlos André Almeidainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2021-06-16T10:40:04Zoai:estudogeral.uc.pt:10316/88118Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:08:54.026958Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)
Detecção e previsão de crises epilépticas com base em informação espacial-temporal do EEG e Deep Machine Learning
title Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)
spellingShingle Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)
Paiva, Carlos André Almeida
Epilepsia
Eletroencefalografia
EEG
Aprendizagem Computacional Profunda
Epilepsy
Electroencephalography
EEG
Deep Learning
title_short Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)
title_full Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)
title_fullStr Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)
title_full_unstemmed Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)
title_sort Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)
author Paiva, Carlos André Almeida
author_facet Paiva, Carlos André Almeida
author_role author
dc.contributor.author.fl_str_mv Paiva, Carlos André Almeida
dc.subject.por.fl_str_mv Epilepsia
Eletroencefalografia
EEG
Aprendizagem Computacional Profunda
Epilepsy
Electroencephalography
EEG
Deep Learning
topic Epilepsia
Eletroencefalografia
EEG
Aprendizagem Computacional Profunda
Epilepsy
Electroencephalography
EEG
Deep Learning
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2019
dc.date.none.fl_str_mv 2019-09-12
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/88118
http://hdl.handle.net/10316/88118
TID:202306941
url http://hdl.handle.net/10316/88118
identifier_str_mv TID:202306941
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133982414077952