Ανάπτυξη Συστήματος Υποστήριξης Διάγνωσης Ψυχικών Ασθενειών Με Χρήση Προκλητών Εγκεφαλικών Δυναμικών

Abstract

Σκοπός της συγκεκριμένης διπλωματικής εργασίας είναι η ανάπτυξη συστήματος υποστήριξης διάγνωσης με χρήση προκλητών δυναμικών του εγκεφάλου που θα μπορεί να διαχωρίζει υγιείς οντότητες από οντότητες με ιδεοψυχαναγκαστικές διαταραχές.Αρχικά συλλέχθηκαν δεδομένα από ηλεκτροεγκεφαλογραφήματα κλινικών εξετάσεων των ανωτέρω κατηγοριών οντοτήτων. Τα δεδομένα αυτά αντιστοιχούσαν σε ηλεκτρόδια που τοποθετήθηκαν στην εξωτερική επιφάνεια του κεφαλιού. Μέσω κατάλληλου λογισμικού (LORETA) που επιλύει το αντίστροφο ηλεκτρομαγνητικό πρόβλημα του εγκεφάλου, προέκυψαν κυματομορφές που αντιστοιχούν στο εσωτερικό μέρος του εγκεφάλου και που θεωρείται ότι είναι ρευματικές πηγές των λαμβανόμενων κυματομορφών του ηλεκτροεγκεφαλογραφήματος. Οι κυματομορφές των ρευματικών αυτών πηγών εισήχθησαν σε σύστημα που πραγματοποιεί ταξινόμηση και διάγνωση των εκάστοτε κατηγοριών οντοτήτων. Το σύστημα χωρίζεται σε τέσσερις μονάδες οι οποίες είναι η μονάδα Προεπεξεργασίας Δεδομένων, η μονάδα Επιλογής Περιοχών Ενδιαφέροντος, η μονάδα Εξαγωγής Χαρακτηριστικών και η μονάδα ταξινόμησης με χρήση Τεχνητών Νευρωνικών Δικτύων. Στην μονάδα Προεπεξεργασίας Δεδομένων χρησιμοποιούνται τεχνικές αφαίρεσης θορύβου και υποδειγματοληψίας για βελτίωση της ποιότητας των δεδομένων. Στην μονάδα Επιλογής Ενδιαφέροντος η ανάλυση του σήματος περιορίζεται στο χρονικό διάστημα 500-800msec από το εκλυτικό ερέθισμα το οποίο θεωρείται ότι έχει ιδιαίτερο ψυχοπαθολογικό ενδιαφέρον. Στην μονάδα Εξαγωγής Χαρακτηριστικών επιλέγονται οι ρευματικές εκείνες πηγές που δυνάμει θα πραγματοποιήσουν καλύτερη ταξινόμηση. Η επιλογή των χαρακτηριστικών αυτών γίνεται με μεθόδους Τεχνητής Νοημοσύνης όπως είναι η τεχνική Προσομοίωσης της Ανόπτησης και οι Γενετικοί Αλγόριθμοί. Τα χαρακτηριστικά που επιλέγονται από τις ρευματικές πηγές είναι οι συντελεστές που προκύπτουν από εφαρμογή του μοντέλου Πολλαπλής Αυτοπαλινδρόμησης. Στην μονάδα ταξινόμησης τα βέλτιστα χαρακτηριστικά που προκύπτουν από την μονάδα Εξαγωγής Χαρακτηριστικών εισάγονται σε τριστρωματικό Τεχνητό Νευρωνικό Δίκτυο πρόσθιας τροφοδότησης. Το δίκτυο αυτό εκπαιδεύτηκε με τον αλγόριθμο Ανάστροφης Διάδοσης με χρησιμοποίηση ορμής και προσαρμοζόμενου ρυθμού εκπαίδευσης. Στην μονάδα αυτή έγινε μελέτη της αρχιτεκτονικής των δικτύων που επιτυγχάνουν βέλτιστη ταξινόμηση. Τέλος εξετάστηκε ποια από τις δύο μεθόδους τεχνητής νοημοσύνης που εφαρμόστηκαν επιφέρουν τα καλύτερα αποτελέσματα.