Συντάχθηκε 16-07-2026 12:14
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 17/07/2026 13:00
Λήξη: 17/07/2026 14:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Σοφοκλή – Φιλάρετου Γαβριηλίδη
με θέμα
Πρόβλεψη Χρονοσειρών από Πολλαπλές Πηγές με χρήση Μεθοδολογιών Βαθιάς Μάθησης
Timeseries Forecasting from Multiple Sources using Deep Learning Procedures
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Επίκουρος Καθηγητής Μάριος Αντωνακάκης (ΕΛΜΕΠΑ, Τμήμα Ηλεκτρονικών Μηχανικών)
Περίληψη
Η αυτοματοποιημένη πρόβλεψη επιληπτικών κρίσεων με χρήση σημάτων Ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) έχει αναδειχθεί σε ένα σημαντικό ερευνητικό πεδίο, λόγω της δυνατότητάς της να παρέχει έγκαιρες προειδοποιήσεις για επιληπτικά επεισόδια και να βελτιώνει την ποιότητα ζωής των ασθενών. Ωστόσο, η ανάπτυξη αξιόπιστων μοντέλων πρόβλεψης παραμένει μια πρόκληση εξαιτίας των έντονα μη ισορροπημένων (imbalanced) συνόλων δεδομένων, της υψηλής διαστατικότητας των καταγραφών ΗΕΓ, και των υπολογιστικών περιορισμών που σχετίζονται με την επεξεργασία μεγάλων χρονικών ακολουθιών. Η παρούσα μελέτη διερευνά τη χρήση ενός νευρωνικού δικτύου Μακράς Βραχυπρόθεσμης Μνήμης (Long Short-Term Memory - LSTM) για την ταξινόμηση πολυκάναλων σημάτων ΗΕΓ σε καταστάσεις κρίσης (seizure) και μη-κρίσης (non-seizure). Λόγω περιορισμών μνήμης του τοπικού συστήματος, μήκη ακολουθιών μεγαλύτερα από 19.200 χρονικά βήματα (time steps) προκαλούσαν τον τερματισμό από το λειτουργικό σύστημα κατά τη διάρκεια της εκπαίδευσης. Κατά συνέπεια, οι καταγραφές ΗΕΓ περικόπηκαν και συμπληρώθηκαν με μηδενικά (zero-padded) σε ένα σταθερό μήκος ακολουθίας 9.600 χρονικών βημάτων, παράγοντας μια τελική αναπαράσταση εισόδου (100, 9600, 19) για 100 δείγματα. Εφαρμόστηκε διαχωρισμός με στρωματοποίηση κλάσεων (class-stratified split), κατανέμοντας το 75% των δεδομένων για εκπαίδευση, το 12% για επικύρωση (validation) και το 13% για δοκιμή (testing).
Η απόδοση του μοντέλου αξιολογήθηκε σε 50 υποκείμενα, μεταβάλλοντας τον Ορίζοντα Πρόβλεψης Κρίσης (Seizure Prediction Horizon - SPH) στα 5, 10, 15, 25 και 40 δευτερόλεπτα (s), διατηρώντας παράλληλα σταθερή την Περίοδο Εκδήλωσης Κρίσης (Seizure Occurrence Period - SOP) στα 35 s. Ένα αρχικό μοντέλο βάσης LSTM (baseline), εκπαιδευμένο απευθείας σε ακατέργαστες (raw) ακολουθίες ΗΕΓ, πέτυχε συνολική ορθότητα (accuracy) 61,54% στο σύνολο δοκιμής. Ωστόσο, η βαθμολογία ROC–AUC 0,45 αποκάλυψε φτωχή απόδοση ταξινόμησης, με το μοντέλο να καταφεύγει σε προβλέψεις της πλειοψηφούσας κλάσης (majority-class), αναγνωρίζοντας σωστά όλα τα δείγματα μη-κρίσης, αλλά αποτυγχάνοντας να ανιχνεύσει τα επεισόδια κρίσεων. Για την αντιμετώπιση αυτού του περιορισμού, αναπτύχθηκε ένα δεύτερο μοντέλο χρησιμοποιώντας εξαγόμενα χαρακτηριστικά στο πεδίο του χρόνου και των συχνοτήτων (π.χ. παράμετροι Hjorth, φασματική πυκνότητα ισχύος Welch, μορφοκλασματικές διαστάσεις / fractal dimensions) και αξιολογήθηκε στις πέντε τιμές του SPH. Η απόδοση βελτιωνόταν σταθερά καθώς αυξανόταν ο ορίζοντας πρόβλεψης: σε SPH = 5 s, το μοντέλο έφτασε σε μέση ορθότητα 88%, αλλά το μέσο F1-score ήταν μόλις 39,1%, αντανακλώντας τη συνεχιζόμενη δυσκολία στην ανίχνευση των επιληπτικών επεισοδίων. Τα καλύτερα αποτελέσματα προέκυψαν σε SPH = 40 s, όπου το μοντέλο πέτυχε μέση Ακρίβεια (Precision) 92%, μέση Ανάκληση (Recall) 74%, μέσο F1-score 78%, μέση Ορθότητα (Accuracy) 91% και AUC 0,85, διατηρώντας παράλληλα το μέσο Ποσοστό Ψευδώς Θετικών (False Positive Rate) κάτω από το 1%.
Τα αποτελέσματα καταδεικνύουν ότι η επέκταση του ορίζοντα πρόβλεψης μπορεί να ενισχύσει σημαντικά την ικανότητα των μοντέλων που βασίζονται σε LSTM να αναγνωρίζουν μοτίβα ΗΕΓ που σχετίζονται με κρίσεις, υπό συνθήκες έντονα μη ισορροπημένων δεδομένων. Ωστόσο, το μικρό μέγεθος του δείγματος δοκιμής (test sample size) εισάγει σημαντική μεταβλητότητα στις αναφερόμενες μετρικές και περιορίζει τη στατιστική ισχύ των συμπερασμάτων. Συνεπώς, η μελλοντική έρευνα θα πρέπει να επικεντρωθεί σε πιο ισχυρές στρατηγικές επικύρωσης, συμπεριλαμβανομένης της k-πλήρους διασταυρούμενης επικύρωσης (k-fold cross-validation), καθώς και σε κλιμακούμενα πλαίσια επεξεργασίας δεδομένων και επιτάχυνση υλικού (hardware acceleration), ώστε να καταστεί δυνατή η εκπαίδευση σε μεγαλύτερες, μη-περικομμένες ακολουθίες ΗΕΓ. Συνολικά, τα ευρήματα αναδεικνύουν τόσο τις δυνατότητες όσο και τους πρακτικούς περιορισμούς των προσεγγίσεων βαθιάς μάθησης για την πρόβλεψη επιληπτικών κρίσεων βάσει ΗΕΓ σε περιβάλλοντα με περιορισμένους πόρους.
Abstract
Automated seizure prediction using Electroencephalogram (EEG) signals has emerged as an important research area due to its potential to provide early warnings for epileptic events and improve patient quality of life. However, developing reliable prediction models remains challenging because of highly imbalanced datasets, the high dimensionality of EEG recordings, and computational limitations associated with processing long temporal sequences. This study investigates the use of a Long Short-Term Memory (LSTM) neural network for classifying multi-channel EEG signals into seizure and non-seizure states. Due to local system memory constraints, sequence lengths greater than 19,200 time steps resulted in operating system termination during training. Consequently, EEG recordings were truncated and zero-padded to a fixed sequence length of 9,600 time steps, producing a final input representation of (100, 9600, 19) across 100 samples. A class-stratified split was employed, allocating 75% of the data for training, 12% for validation, and 13% for testing.
Model performance was evaluated across 50 subjects by varying the Seizure Prediction Horizon (SPH) at 5, 10, 15, 25, and 40 s while maintaining a fixed Seizure Occurrence Period (SOP) of 35 s. An initial baseline LSTM model trained directly on raw EEG sequences achieved a test accuracy of 61.54%; however, a ROC–AUC score of 0.45 revealed poor classification performance, with the model defaulting to majority-class predictions by correctly identifying all non-seizure samples while failing to detect any seizure events. To address this limitation, a second model was developed using engineered time- and frequency-domain features (e.g., Hjorth parameters, Welch power spectral density, fractal dimensions) and evaluated across the five SPH values. Performance improved steadily as the prediction horizon increased: at SPH = 5 s the model reached a mean accuracy of 88% but a mean F1-score of only 39.1%, reflecting continued difficulty in detecting seizure events. The best results were obtained at SPH = 40 s, where the model achieved a mean Precision of 92%, a mean Recall of 74%, a mean F1-score of 78%, a mean accuracy of 91%, and an AUC of 0.85, while keeping the mean False Positive Rate below 1%.
The results demonstrate that extending the prediction horizon can significantly enhance the ability of LSTM-based models to identify seizure-related EEG patterns under highly imbalanced conditions. Nevertheless, the small test sample size introduces considerable variability in the reported metrics and limits the statistical strength of the conclusions. Future work should therefore focus on more robust validation strategies, including k-fold cross-validation, as well as scalable data-processing frameworks and hardware acceleration to enable training on longer, untruncated EEG sequences. Overall, the findings highlight both the potential and the practical limitations of deep learning approaches for EEG-based seizure prediction in resource-constrained environments.
Meeting ID: 954 649 5567
Password: 956799
