Συντάχθηκε 13-07-2026 09:29
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 14/07/2026 10:00
Λήξη: 14/07/2026 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Μεταπτυχιακών (Διδακτορικών) Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ (ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ)
ΑΠΟΣΤΟΛΟΥ ΚΑΡΑΣΜΑΝΟΓΛΟΥ
με θέμα
Πολυτροπική Ανίχνευση Ανωμαλιών σε Πολλαπλά Βιοσήματα με χρήση Τεχνικών Μηχανικής και Βαθιάς Μάθησης για τον Εντοπισμό Μοτίβων Επιληψίας
Multimodal Anomaly Detection on Multiple Biosignals using Machine and Deep Learning Techniques for Identifying Epilepsy Patterns
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Διονύσιος Χριστόπουλος
Επίκουρος Καθηγητής Μάριος Αντωνακάκης (ΕΛΜΕΠΑ, Τμήμα Ηλεκτρονικών Μηχανικών)
Περίληψη
Η επιληψία επηρεάζει σημαντικό μέρος του πληθυσμού και χαρακτηρίζεται από επαναλαμβανόμενες κρίσεις χωρίς προφανή εξωτερική αιτία, που προκύπτουν από μη φυσιολογικές, εκτεταμένες ηλεκτρικές εκκενώσεις στον εγκέφαλο. Τα επακόλουθα συμπτώματα κυμαίνονται από σύντομες απώλειες συνείδησης έως σοβαρά σπασμωδικά επεισόδια, με άμεσες συνέπειες στην ασφάλεια και την ποιότητα ζωής των ασθενών. Η έγκαιρη αυτόματη ανίχνευση και πρόβλεψη των κρίσεων είναι συνεπώς απαραίτητη, καθώς επιτρέπει παρεμβάσεις που μπορούν να μειώσουν τη βλάβη και να βελτιώσουν τα κλινικά αποτελέσματα. Οι συμβατικές προσεγγίσεις αυτόματης παρακολούθησης κρίσεων βασίζονται σε μεγάλο βαθμό στην ηλεκτροεγκεφαλογραφία (ΗΕΓ) και τη μαγνητοεγκεφαλογραφία (ΜΕΓ), οι οποίες καταγράφουν άμεσα τη νευρωνική δραστηριότητα. Πιο πρόσφατα, η ηλεκτροκαρδιογραφία (ΗΚΓ) έχει αναδειχθεί ως μια συμπληρωματική μεθοδολογία, καθώς οι αυτονομικές μεταβολές που προηγούνται μιας κρίσης αντικατοπτρίζονται στην καρδιακή δραστηριότητα. Ειδικότερα, οι προεπιληπτικές μεταβολές στο Αυτόνομο Νευρικό Σύστημα (ΑΝΣ) εκδηλώνονται ως μετρήσιμες αλλαγές στη Μεταβλητότητα του Καρδιακού Ρυθμού (HRV), προσφέροντας μια μη επεμβατική οδό αυτόματης παρακολούθησης κρίσεων που δεν εξαρτάται αποκλειστικά από το ΗΕΓ. Καθώς οι περισσότερες υπάρχουσες προσεγγίσεις απαιτούν ακόμη μεγάλα, πλήρως επισημασμένα σύνολα δεδομένων, παραμένει σαφής η ανάγκη για ημι-επιβλεπόμενα συστήματα ικανά να λειτουργούν με περιορισμένη επίβλεψη και συνεπώς καταλληλότερα για πραγματική χρήση. Η παρούσα διατριβή αναπτύσσει και αξιολογεί ένα τέτοιο σύστημα: μια ολοκληρωμένη μεθοδολογία ημι-επιβλεπόμενης ανίχνευσης ανωμαλιών για την ανίχνευση και πρόβλεψη επιληπτικών κρίσεων από σήματα ΗΚΓ και ΗΕΓ, σχεδιασμένη με γνώμονα την ενσωμάτωση σε φορητές συσκευές και την προσαρμοστικότητα στον εκάστοτε ασθενή. Το αναπτυχθέν σύστημα μπορεί να λειτουργήσει είτε με δεδομένα ΗΚΓ είτε ΗΕΓ, είτε και τα δύο από κοινού, απαιτώντας ελάχιστα επισημασμένα δεδομένα, καθιστώντας το κατάλληλο για πραγματική κλινική χρήση. Πραγματοποιήθηκαν δύο μελέτες για την αξιολόγηση αυτής της προσέγγισης. Η πρώτη αξιοποίησε χαρακτηριστικά Μεταβλητότητας Καρδιακού Ρυθμού που προέρχονται από ΗΚΓ σε διάφορα μοντέλα ανίχνευσης ανωμαλιών, επισημαίνοντας με επιτυχία μεταβολές στο HRV έως και 30 λεπτά πριν την έναρξη της κρίσης σε 9 επεισόδια κρίσεων από 7 ασθενείς, δείχνοντας ότι τα καρδιακά σήματα από μόνα τους φέρουν χρήσιμη προγνωστική πληροφορία για λιγότερο επεμβατική παρακολούθηση. Η δεύτερη μελέτη επέκτεινε το σύστημα σε πολυτροπική χρήση, συνδυάζοντας ΗΚΓ και ΗΕΓ σε 29 καταγραφές κρίσεων από 7 παιδιατρικούς ασθενείς· αυτή η συνδυαστική προσέγγιση πέτυχε ισχυρή απόδοση ανίχνευσης και πρόβλεψης απαιτώντας παράλληλα ελάχιστη επίβλεψη, με τη σύντηξη και των δύο τύπων σημάτων να βελτιώνει τη συνολική αξιοπιστία χωρίς να αίρει την καταλληλότητα του συστήματος για φορητή χρήση. Από κοινού, αυτές οι μελέτες υποστηρίζουν την εφικτότητα υλοποίησης προσιτών, άνετων για τον ασθενή συστημάτων έγκαιρης προειδοποίησης που θα μπορούσαν να βελτιώσουν ουσιαστικά την ποιότητα ζωής των ανθρώπων που ζουν με επιληψία.
Abstract
Epilepsy affects a substantial portion of the population and is defined by recurrent, unprovoked seizures arising from abnormal, excessive electrical discharges in the brain. The resulting symptoms range from brief lapses in awareness to severe convulsive episodes, with direct consequences for patients' safety and quality of life. Timely automatic detection and prediction of seizures is therefore essential, as it allows for interventions that can reduce harm and improve outcomes. Conventional automatic seizure-monitoring approaches rely heavily on electroencephalography (EEG) and magnetoencephalography (MEG), both of which directly capture neural activity. More recently, electrocardiography (ECG) has emerged as a complementary modality, since the autonomic changes that precede a seizure are reflected in cardiac activity. In particular, pre-ictal shifts in the Autonomic Nervous System (ANS) manifest as measurable changes in Heart Rate Variability (HRV), offering a non-invasive route to automatic seizure monitoring that does not depend on EEG alone. Because most existing approaches still require large, fully labelled datasets, there remains a clear need for semi-supervised frameworks capable of operating with limited supervision and therefore better suited to real-world deployment. This thesis develops and evaluates such a framework: a semi-supervised anomaly detection pipeline for epileptic seizure detection and prediction from ECG and EEG signals, designed with wearable-device integration and patient-specific adaptability in mind. The resulting system can operate on either ECG or EEG inputs, or both jointly, while needing only minimal labelled data, making it suitable for real-world clinical use. Two studies were carried out to evaluate this approach. The first applied ECG-derived Heart Rate Variability features within several anomaly detection models, successfully flagging HRV alterations up to 30 minutes before seizure onset across 9 seizure events from 7 patients, and showing that cardiac signals alone carry useful predictive information for less invasive monitoring. The second study extended the framework to a multi-modal setting, combining ECG and EEG across 29 seizure recordings from 7 pediatric patients; this combined approach achieved robust detection and prediction performance while still requiring only minimal supervision, with the fusion of both signal types improving overall reliability without sacrificing suitability for wearable use. Together, these studies support the feasibility of accessible, patient-friendly early-warning systems that could meaningfully improve quality of life for people living with epilepsy.
Meeting ID: 954 649 5567
Password: 956799
