EUVIMEDEUVIMED entdecken
Crossref

Ανάλυση ΗΕΓ και εφαρμογή μεθόδων μηχανικής μάθησης για το χαρακτηρισμό της νοητικής έκπτωσης

Eirini Chrisovalantou Leliopoulou

Aristotle University of Thessaloniki · 01.01.2024

DOI: 10.26262/heal.auth.ir.353130 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Aristotle University of Thessaloniki, erschienen am 01.01.2024. Verfasst von Eirini Chrisovalantou Leliopoulou.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Με την αύξηση της γήρανσης του πληθυσμού ο επιπολασμός ασθενειών αυξάνεται σημαντικά στους ηλικιωμένους ενήλικες. Συγκεκριμένα, η άνοια χαρακτηρίζεται ως μια από τις πιο συχνές ασθένειες σε αυτές τις ηλικίες, με αυξανόμενο αριθμό περιστατικών. Η πορεία της άνοιας είναι προοδευτική και στους περισσότερους ασθενείς παρατηρείται πως τα συμπτώματα εκδηλώνονται μετά από κάποια χρόνια. Εξαιτίας της ποικιλομορφίας των κλινικών εκδηλώσεων και της πολυπλοκότητας της νευροπαθολογίας της νόσου, η ταξινόμηση της άνοιας παραμένει αμφιλεγόμενη. Το ηλεκτροεγκεφαλογράφημα (ΗΕΓ) αποτυπώνει τα δυναμικά του εγκεφάλου και χρησιμοποιείται ως εργαλείο διάγνωσης σε πλήθος νευρολογικών παθήσεων. Μέσω αυτής της μεθόδου καταγράφονται ηλεκτρικά σήματα από την επιφάνεια της κεφαλής, παρουσιάζοντας την εγκεφαλική δραστηριότητα. Στο πλαίσιο της Ήπιας Γνωστικής Εξασθένησης (MCI – Mild Cognitive Impairment) και της νόσου του Αλτσχάιμερ (AD- Alzheimer disease), το ΗΕΓ μπορεί να χρησιμοποιηθεί για τη μελέτη της λειτουργίας του εγκεφάλου. Η επεξεργασία του σήματος ΗΕΓ περιλαμβάνει την απομάκρυνση θορύβου, την εξαγωγή χαρακτηριστικών και την ταξινόμηση. Η μελέτη του ΗΕΓ παρέχει τη δυνατότητα ανίχνευσης αλλαγών στην εγκεφαλική δραστηριότητα οι οποίες μπορεί να υποδηλώνουν την έναρξη ή την εξέλιξη αυτών των καταστάσεων. Η παρούσα εργασία στοχεύει στην ανάπτυξη μεθοδολογιών ανάλυσης ΗΕΓ που θα επιτρέψουν α) την ποσοτικοποίηση της σχέσης ανάμεσα σε χαρακτηριστικά του ΗΕΓ και την λειτουργική ικανότητα σε ασθενείς με νοητική έκπτωση, καθώς και τη δυνατότητα πρόβλεψης της από το ΗΕΓ μέσω μοντέλων μηχανικής μάθησης, β) τον χαρακτηρισμό και την ποσοτικοποίηση της μεταβολής των προτύπων ΗΕΓ με την πάροδο του χρόνου (σε μήνες) έναντι της μεταβολής της λειτουργικής ικανότητας, σε ασθενείς με νοητική έκπτωση.

Schlagwörter

Alzheimer's diseasecognitive impairmentmachine learningEEG signal analysiscognitive decline predictionelderly patientsneurodegenerationearly detection of dementiaEEG biomarkersconvolutional neural networks

Zitieren

APA

Leliopoulou, E. C. (2024). Ανάλυση ΗΕΓ και εφαρμογή μεθόδων μηχανικής μάθησης για το χαρακτηρισμό της νοητικής έκπτωσης. Aristotle University of Thessaloniki. https://doi.org/10.26262/heal.auth.ir.353130

Vancouver

Leliopoulou EC. Ανάλυση ΗΕΓ και εφαρμογή μεθόδων μηχανικής μάθησης για το χαρακτηρισμό της νοητικής έκπτωσης. Aristotle University of Thessaloniki. 2024. doi:10.26262/heal.auth.ir.353130

BibTeX
@article{Leliopoulou2024,
  author = {Leliopoulou, Eirini Chrisovalantou},
  title = {Ανάλυση ΗΕΓ και εφαρμογή μεθόδων μηχανικής μάθησης για το χαρακτηρισμό της νοητικής έκπτωσης},
  journal = {Aristotle University of Thessaloniki},
  year = {2024},
  doi = {10.26262/heal.auth.ir.353130}
}
Kostenlos starten →