Aplicarea tehnologiilor de învățare automată destinat analizei semnalelor EEG

Abstract

Teza cuprinde fundamentele teoretice despre activitatea bioelectrică a creierului și utilizarea electroencefalografiei (EEG) în scopuri diagnostice, precum și o analiză a metodelor cheie de învățare automată. Lucrarea se concentrează în detaliu pe utilizarea metodei cu vectori de suport (SVM) pentru detectarea automată a epilepsiei. Partea practică descrie mediul de dezvoltare, preprocesarea și filtrarea înregistrărilor EEG reale, extragerea caracteristicilor informative și ajustarea hiperparametrilor SVM folosind Python. Sunt prezentate rezultatele experimentale, incluzând acuratețea, matricea de confuzie și o vizualizare a hiperplanei de decizie în spațiul bidimensional al componentelor principale. Scopul lucrării este de a elabora și valida un algoritm de învățare automată capabil să clasifice în mod fiabil segmente scurte de EEG ca fiind patologice (epilepsie) sau normale. Obiectivele generale au constat în selectarea și configurarea mediului de dezvoltare (Python, scikit-learn, MNE), unificarea și filtrarea înregistrărilor EEG, extragerea automată a caracteristicilor (temporale, spectrale și bazate pe wavelet) și reducerea dimensiunii (PCA), precum și analiza comparativă a rezultatelor pentru diferite parametri SVM. Metodele aplicate au urmat abordarea clasică de învățare supravegheată: împărțirea datelor în seturi de antrenament și test cu validare încrucișată, ajustarea hiperparametrilor SVM (C și γ) și vizualizarea rezultatelor într-un spațiu bidimensional al componentelor principale. Rezultatele obținute indică faptul că metoda cu vectori de suport cu nucleu radial și hiperparametri optimizați poate atinge o precizie de aproximativ 95–97% în diferențierea semnalelor „epilepsie vs. normal” chiar și în condiții de date limitate. Experimentele au arătat că o preprocesare atentă (îndepărtarea artefactelor, alinierea canalelor, filtrarea semnalelor) și o selecție judicioasă a caracteristicilor sunt factori critici pentru performanța finală a algoritmului. Valoarea aplicativă a lucrării: constă în posibilitatea de a integra sistemul propus ca modul automatizat de susținere a diagnosticului de epilepsie în mediul clinic. Rezultatele confirmă viabilitatea aplicării învățării automate în analiza biosemnalelor, cu potențial de extindere la alte afecțiuni neurologice.

This thesis provides a concise theoretical rationale of the brain’s bioelectrical activity and the use of electroencephalography (EEG) in diagnostics, reviews key machine learning methods, and offers a detailed examination of how Support Vector Machines (SVM) can be employed for automated epilepsy detection. The practical part describes the development environment, preprocessing and filtering of real EEG records, the extraction of informative features, and the tuning of SVM hyperparameters using Python. Experimental results are presented, including accuracy assessment, confusion matrices, and a visualization of the decision boundary in a two-dimensional principal component space. The aim of this work is to develop and validate a machine learning algorithm capable of reliably classifying short EEG segments as either pathological (epilepsy) or healthy. General tasks included choosing and configuring a development environment (Python, scikit-learn, MNE), unifying and filtering the EEG recordings, automatically extracting features (temporal, spectral, wavelet-based) and reducing dimensionality (PCA), as well as conducting a comparative analysis of results under different SVM parameters. Methods used followed the classic supervised learning approach: splitting data into training and test sets with cross-validation, tuning of SVM hyperparameters (C and γ), and visualizing the results in a two-dimensional principal component space. Results obtained show that a support vector machine with a radial basis kernel and optimized hyperparameters can achieve around 95–97% accuracy in distinguishing “epilepsy vs. normal” signals under limited data conditions. Experiments revealed that thorough preprocessing (artifact removal, channel alignment, signal filtering) and careful feature selection are critical for final algorithm performance. The practical significance of this work lies in demonstrating how the proposed system can form the basis of an automated diagnostic support module for epilepsy in healthcare settings. The results highlight the feasibility of machine learning for analyzing real biosignals, with potential extension to other neurological pathologies.

Работа включает краткое теоретическое обоснование биоэлектрической активности мозга и применения электроэнцефалографии (ЭЭГ) в диагностике, обзор ключевых методов машинного обучения и детальный разбор использования метода опорных векторов (SVM) для автоматизированного выявления эпилепсии. В практической части описана среда разработки, предобработка и фильтрация реальных ЭЭГ-записей, извлечение информативных признаков и настройка гиперпараметров SVM с помощью средств Python. Приведены результаты экспериментов с оценкой точности, матрицами ошибок и визуализацией разделяющей гиперплоскости в двумерном пространстве главных компонент. Целью данной работы является разработка и проверка алгоритма машинного обучения, способного надежно классифицировать короткие фрагменты ЭЭГ как патологические (эпилепсия) или здоровые. Общие задачи заключались в выборе и настройке среды разработки (Python, scikit-learn, MNE), в унификации и фильтрации ЭЭГ-записей, в автоматизированном извлечении признаков (временные, спектральные, вейвлет-признаки) и снижении размерности (PCA), а также в сравнительном анализе результатов при разных параметрах SVM. Применяемые методы включали классическую схему обучения с учителем: разбиение на обучающую и тестовую выборки с кросс-валидацией, подбор гиперпараметров SVM (C и γ) и визуализацию результатов в двумерном пространстве главных компонент. Полученные результаты демонстрируют, что метод опорных векторов, использующий радиально-базисное ядро и оптимизированные гиперпараметры, способен достичь точности около 95–97% в задаче классификации «эпилепсия / норма» при ограниченных данных. Прикладное значение работы состоит в том, что предложенная система может послужить основой для автоматизированного модуля поддержки диагностики эпилепсии в медицинских учреждениях. Результаты демонстрируют жизнеспособность машинного обучения при анализе реальных биосигналов при неврологических патологиях.