Ημερολόγιο Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίας Μπαντουβά

με θέμα

Αυτοεπιβλεπόμενη Μάθηση με χρήση Νευρωνικών Δικτύων και Γράφων για Ανίχνευση Επιληψίας

Graph-based Self-Supervised Learning for Epilepsy Detection

Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Επίκουρος Καθηγητής Μάριος Αντωνακάκης (ΕΛΜΕΠΑ, Τμήμα Ηλεκτρονικών Μηχανικών)

Περίληψη

Η επιληψία είναι μία από τις πιο κοινές νευρολογικές διαταραχές παγκοσμίως, πλήττοντας περίπου 50 εκατομμύρια ανθρώπους. Παρά τις διαθέσιμες θεραπείες, σχεδόν το 30% των ασθενών εμφανίζει φαρμακοανθεκτική επιληψία, ενώ η απρόβλεπτη εκδήλωση των κρίσεων επιβαρύνει σημαντικά την ποιότητα ζωής. Η αυτοματοποιημένη ανίχνευση επιληψίας από σήματα ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) αποτελεί επομένως ένα κλινικά σημαντικό πρόβλημα, το οποίο περιπλέκεται λόγω της μεγάλης ετερογένειας μεταξύ των ασθενών και της περιορισμένης διαθεσιμότητας επισημασμένων δεδομένων. Η παρούσα διπλωματική εργασία προτείνει ένα πλαίσιο βαθιάς μάθησης βασισμένο σε γράφους και το αξιολογεί στο σύνολο δεδομένων Temple University EEG Epilepsy Corpus (TUEP), το οποίο περιλαμβάνει 200 ασθενείς και αντιπροσωπεύει έναν μεγάλο και ετερογενή κλινικό πληθυσμό, χρησιμοποιώντας ένα αυστηρό σχήμα διαχωρισμού train/validation/test. Το τελικό πρόβλημα ορίζεται ως δυαδική ταξινόμηση επιληψίας έναντι υγιούς δείγματος σε επίπεδο epoch. Κάθε τμήμα ΗΕΓ αναπαρίσταται ως μη κατευθυνόμενος, σταθμισμένος γράφος, όπου οι κόμβοι αντιστοιχούν στα ηλεκτρόδια και οι ακμές κωδικοποιούν τη λειτουργική συνδεσιμότητα μέσω του δείκτη Phase Lag Index (PLI). Ένα Συνελικτικό Δίκτυο Γράφων (GCN) εκπαιδεύεται για την ταξινόμηση αυτών των γράφων, χρησιμοποιώντας φασματικά χαρακτηριστικά, παραμέτρους Hjorth και χαρακτηριστικά πεδίου χρόνου ανά κανάλι ως χαρακτηριστικά κόμβων. Για τη μείωση της εξάρτησης από επισημασμένα δεδομένα, εισάγεται ένα στάδιο αυτοεπιβλεπόμενης προεκπαίδευσης μέσω αντιθετικής μάθησης σε γράφους (GraphCL), όπου ο κωδικοποιητής εκπαιδεύεται αρχικά σε μη επισημασμένα δεδομένα πριν από την τελική επιβλεπόμενη εκπαίδευση. Επιπλέον, για λόγους σύγκρισης αξιολογούνται κλασικά μοντέλα μηχανικής μάθησης καθώς και μία παραλλαγή GCN που χρησιμοποιεί μόνο πληροφορία συνδεσιμότητας. Τα αποτελέσματα δείχνουν ότι το Random Forest επιτυγχάνει το υψηλότερο AUC (84.4%), το επιβλεπόμενο GCN με χαρακτηριστικά κόμβων σημειώνει τα καλύτερα αποτελέσματα σε F1 (81.8%), ακρίβεια (76.3%) και MCC (48.4%), ενώ το SSL-GCN παρουσιάζει την υψηλότερη εξειδίκευση και την πιο ισορροπημένη σχέση μεταξύ ευαισθησίας και εξειδίκευσης (77.7%-69.3%). Τα ευρήματα αυτά δείχνουν ότι τα τοπικά χαρακτηριστικά κόμβων είναι καθοριστικά, ενώ η δομή του γράφου και η αυτοεπιβλεπόμενη προεκπαίδευση προσφέρουν συμπληρωματικά οφέλη ανάλογα με τη μετρική αξιολόγησης και τον επιδιωκόμενο κλινικό στόχο.

Abstract 

Epilepsy is one of the most common neurological disorders worldwide, affecting approximately 50 million people. Despite available treatments, nearly 30% of patients develop drug-resistant epilepsy, while seizure unpredictability severely affects quality of life. Automated epilepsy detection from electroencephalography (EEG) is therefore clinically important, but remains challenging due to strong inter-patient variability and limited expert-labelled data. This thesis proposes a graph-based EEG analysis pipeline and evaluates it on the Temple University EEG Epilepsy Corpus (TUEP), a large and heterogeneous clinical dataset of 200 patients, under a strict patient-level train/validation/test split. The downstream task is binary classification between patients with epilepsy and healthy controls at the epoch level. Each EEG epoch is modelled as an undirected weighted graph, where nodes correspond to electrodes and edges encode functional connectivity estimated with the Phase Lag Index (PLI). A Graph Convolutional Network (GCN) is trained to classify the graphs using spectral, Hjorth, and time-domain features as node attributes. In order to reduce dependence on labelled data, a self-supervised pre-training stage based on graph contrastive learning (GraphCL) is introduced, where the encoder first learns from unlabelled graphs before fine-tuning on labelled data. Classical machine-learning baselines and a GCN with connectivity-only information are also evaluated for comparison. The results show that Random Forest achieves the highest AUC (84.4%), the supervised feature-based GCN gives the best F1 (81.8%), accuracy (76.3%), and MCC (48.4%), while the SSL-GCN gives the highest specificity and the most balanced performance regarding sensitivity and specificity (77.7%–69.3%). These findings indicate that local node features are essential, while graph structure and self-supervised pre-training provide complementary benefits depending on the evaluation metric and the target clinical operating point.

Meeting ID: 918 3112 7338
Password: 996903