Unapređenje detekcije abnormalne moždane aktivnosti klasifikacijom vremenskih serija elektroencefalografskih podataka korišćenjem modela dugoročne kratkoročne memorije neuronskih mreža optimizovanih metaheuristikama

Doktorska disertacija istražuje detekciju abnormalne moždane aktivnosti kod pacijenata poput epileptičkih napada, korišćenjem elektroencefalografskih podataka (EEG) i optimizovane dugoročne kratkoročne memorije neuronske mreže (LSTM). Istraživanja je motivisano činjenicom da tradicionalne metode analize EEG signala ne postižu zadovoljavajući nivo tačnosti, zbog inherentne složenosti podataka, nelinarnosti EEG signala, postojanja šuma u podacima koje je teško detektovati manuelnim pretragama. Uprkos brojnim pokušajima primene tradicionalnih algoritama mašinskog učenja, kao što su Support Vector Machines, k-Nearest Neighbors i drugi, ovi pristupi su davali ograničene rezultate kada su se bavili finim i suptilnim promenama u moždanoj aktivnosti pacijenata. To dovodi do pogrešnih ili nepotpunih medicinskih dijagnoza, a što ima direktan uticaj na izbor terapijskih mera i konačne zdravstvene ishode. Kao odgovor na ove izazove, predlaže se upotreba LSTM, koje su posebno dizajnirane za rad sa vremenskim serijama i koje mogu da zadrže informacije tokom dužih vremenskih perioda, nudeći poboljšanja u identifikaciji i klasifikaciji EEG obrazaca.
Ključni deo predloženog rešenja leži u optimizaciji hiperparametara LSTM primenom stohastičkog pristupa primenom metaheurističkih algoritama. Ovi algoritmi omogućavaju automatsko podešavanje parametara LSTM kao što su broj slojeva, veličina vremenskog prozora i broj neurona po sloju, čime se postiže inovativno i optimalno podešavanje modela u odnosu na karakteristike EEG podataka. Metodologija istraživanja obuhvata nekoliko faza. Prvo se vrši analiza EEG podataka kako bi se identifikovale karakteristike EEG signala koje su relevantne za detekciju epileptičkih napada. Nakon toga, LSTM se trenira na definisanom skupu podataka, korišćenjem metaheurističkog algoritma optimzacije pretrage susedstva radi optimizacije hiperparametara. Proces treniranja se iterativno sprovodi, gde se na svakom koraku meri tačnost, preciznost, osetljivost i specifičnost modela. Rezultati evaluacije pokazuju da predloženi model postiže značajno bolje performanse u odnosu na prethodno korišćene metode, kako u pogledu tačnosti detekcije epileptičkih napada, tako i u pogledu smanjenja lažnih pozitivnih detekcija.
Disertacija se osvrće i na praktičnu primenu rešenja u realnim kliničkim uslovima, gde efikasnost predloženog pristupa se ogleda kroz optimizovano vreme obrade i resursa potrebnih za treniranje, što omogućava analize EEG signala u realnom vremenu. Takođe disertacija ukazuje na buduće pravce razvoja u oblasti automatske analize biomedicinskih podataka i korišćenje multimodalnog pristupa. Dalja istraživanja treba da se fokusiraju na razvoj „lightweight“ modela koji su još efikasniji i manje zahtevni sa aspekta računarskih resursa. Zaključno, ova disertacija predstavlja sveobuhvatan pristup unapređenju detekcije abnormalne moždane aktivnosti kroz primenu naprednih tehnika analize EEG podataka kombinacijom LSTM i metaheurističke optimizacije hiperparametara.