Automated detection of artefacts in the EEG

Abstract

AB3:Viimeisten vuosikymmenien aikana eräs kiehtovimmista tieteellisen tutkimuksen osa-alueista on ollut keinotekoisen älykkyyden kehittäminen. Näiden tutkimusten tuloksena moniin jokapäiväisiin laitteisiin on kehitetty monia hyödyllisiä ominaisuuksia, joiden väitetään olevan tavalla tai toisella älykkäitä tai oppivia. Luonteenomaista näille sovelluksille on ollut pyrkimys antaa erilaisille teknisille laitteille ja järjestelmille erilaisia ihmisenkaltaisia ominaisuuksia, kuten kykyä tehdä johtopäätöksiä ja assosiaatioita, sopeutua muuttuviin järjestelmän sisäisiin ja ulkoisiin olosuhteisiin ja oppia erilaisia monimutkaisia järjestelmän sisääntulojen ja ulostulojen välisiä riippuvuussuhteita. -Myös lääketieteen alueelta löytyy useita esimerkkejä neuroverkkojen ja sumean logiikan sovelluksista. Tyypillisimmillään nämä ovat liittyneet erilaisiin signaalianalyysi- ja luokitteluongelmiin. Uusien, älykkäiden menetelmien on toivottu ratkaisevan sellaisia ongelmia, joihin perinteiset signaalinkäsittelymenetelmät eivät ole tehonneet. Näillä moderneilla menetelmillä onkin useita selkeitä etuja konventionaalisiin signaalinkäsittelymenetelmiin verrattuna. Toisin kuin joskus väitetään, neuroverkkoihin ja sumeaan logiikkaanpohjautuvat menetelmät eivät kuitenkaan sellaisenaan automaattisesti ratkaise ongelmia. Menetelmillä on omat rajoituksensa ja niiden menestyksekäs käyttö edellyttää huolellista datan esikäsittelyä. Monissa tapauksissa niillä on kuitenkin saavutettu hyviä tuloksia. -Eräs laajasti tutkittu neuroverkkojen sovellusalue lääketieteessä on ollut automaattinen EEG-analyysi. Tämä johtuu siitä, että EEG-rekisteröintejä käytetään laajasti erilaisten aivoperäisten sairauksien diagnosointiin. Monissa tapauksissa, erityisesti epilepsia- ja unitutkimusten yhteydessä, rekisteröinnit kestävät pitkiä aikoja ja mittaussignaaleja rekisteröidään samanaikaisesti useilla kanavilla. Tästä johtuen potilaasta kerättyä mittausdataa syntyy rekisteröintien aikana hyvin paljon ja mitattujen signaalien analysoiminen jälkikäteen on erittäin työlästä ja aikaa vievää. Tämän vuoksi on kehitetty lukuisia automaattisia signaalianalyysimenetelmiä, joilla on pyritty vähentämään rekisteröintejä analysoivien lääkärien työtaakkaa. -Tässä työssä on keskitytty epilepsiarekisteröintien aikana EEG:hen summautuvien erilaisten häiriösignaalien (artefaktojen) automaattiseen tunnistamiseen.Työssä kehitettiin neuroverkkopohjainen menetelmä EEG-rekisteröinneissä esiintyvien artefaktojen automaattiseen tunnistamiseen. Työn aikana havaittiin, että neuroverkkopohjaisten signaalianalyysijärjestelmien suorituskyky riippuu voimakkaasti neuroverkolle syötettävien piirteiden valinnan onnistumisesta.

One of the most critical problems of automated EEG analysis has always been the problem of different interference waveforms (artefacts) in the EEG recordings. These interferences, arising both from physiological and technical factors, cause often serious misinterpretation errors during the automated analysis of the EEG. For this reason, a reliable classifier capable of detecting artefactual waveforms in the EEG would be very useful in clinical practice. Although the main intention in this thesis has been to design an artefact detector for epilepsy diagnostics, this kind of detector would be very valuable in sleep and vigilance studies, too. -In this thesis, several methods applying neural networks on the artefact detection are presented. As a result of intensive research and improvements in the feature extraction stage of the classifier, the performance of the classifier gradually improved reaching finally the level of about 80% for the correct artefact detection and the correct classification rate of about 95% for the original cerebral activity. These results can be considered successfull. In future, it would be interesting to integrate the detector with some existing detector of epileptic EEG activity. This would hopefully improve the accuracy of different automated EEG analysis systems.