top of page
מערכת לזיהוי התקפי אפילפסיה
מציגים: סופיה זאגידולין, ויקי פדלון
מנחה: ד"ר מיכל בלברג
להסבר מוקלט
מבוא
- אפילפסיה המחלה הנוירולוגית השכיחה בעולם, ומעריכים שכ 1% מהאוכלוסייה לוקים בה.
- התקפים אפילפטיים מהווים סיכון עבור אותם חולים ויכול לגרום להם לבלבול, נפילות וכדומה.
- החלטנו לפתח מערכת ניידת בשימוש סרט עם אלקטרודות על המצח שתאפשר זיהוי התקפים בזמן אמת.
- בחרנו להשתמש ב machine learning algorithms כמסווג למערכת שלנו.
- רוב הפתרונות שנתקלנו בהם מבוססים על קסדה מלאה אלקטרודות שנראה לא פרקטי למערכת לבישה.
- החלטנו לפתח מערכת משופרת המתבססת רק על סרט עם אלקטרודות על המצח.
פתרון
פיתוח האלגוריתם מורכב מהשלבים הבאים:
- מחקר על אלגוריתמים קיימים בספרות.
- תכנון אלגוריתם המתאים לצרכי המערכת (זמני עיבוד מהירים ומספר מצומצם של אלקטרודות).
-
אלגוריתם לסינון ערוצים רועשים.
-
שימוש ב Supervised classifiers
-
מאפייני אנרגיה ואנטרופיה.
- פיתוח אפליקציות המאפשרות הטמעה והתאמה של האלגוריתם לכל חולה.
- בשלב הסופי ניתן לבצע שינויים בפרמטרים (כמות האלקטרודות, סוג המסווג, גודל החלון בזמן) ובכך להגיע לדיוק מקסימלי עבור כל חולה.
שיטות
עבודה בחלון רץ בזמן:
כדי לדמות עבודה בזמן אמת השתמשנו בחלון רץ בזמן על אותות ה EEG.
סינון ערוצים רועשים:
שימוש בסטיית תקן, SNR וקורלציה כדי לסנן ערוצים רועשים לשיפור תהליך הלימוד.
חילוץ מאפיינים:
אנטרופיה במישור הזמן ובאנרגיה במישור התדר על אותות ה EEG.
מסווגים (Machine Learning):
SVM, LDA ו- KNN במקביל כאשר ניתן לבחור במסווג עם הדיוק המקסימלי לאותו חולה.
שיטת הרוב קובע:
האלגוריתם יסווג התקף רק אם רוב האלקטרודות יסווגו אותו כהתקף.
סיכום ומסקנות
- הצלחנו לפתח אלגוריתם בעל תוצאות דיוק גבוהות של 98.5% עבור התקפים המתבטאים בכל המוח.
- עבור חולים שההתקף מתבטא בכל המוח, הדיוק בשימוש בקסדה מלאה דומה לשימוש בסרט על המצח (שגיאה של 0.39%)
- המסווג LDA הוא המסווג האופטימלי עבור החולים שנבדקו.
- האלגוריתם גנרי ומאפשר אופטימיזציה בין חולים הסובלים מהתקפים שונים.
- למען מחקרי המשך פרסמנו והסברנו את האלגוריתם ב Github וניתן לשימוש כ open source.
bottom of page