Analýza a zpracování biometrických dat

Abstract

Tato práce se zabývá problematikou lokalizace enviromentálních zdrojů epileptických záchvatů, jejich klasifikací a predikcí. Problematika automatické detekce z unimodálních systémů vyžívajících primárně EEG signál je dostatečně popsána v odborné literatuře.

Problematikou multimodální detekce za účelem lokalizace enviromentálního stimulu se nezabývá doposud žádná studie. Tento výzkum je motivován praktickými zkušenostmi z oblasti dětské neurologie a kontaktu s lidmi trpícími epilepsií. Při hodnocení původce vzniku epileptického záchvatu se lékaři často obracejí k diagnóze idopatické(neznámá příčina) generalizované epilepsie. Tato diagnóza a nasazení medikamentů je dle tvrzení neurologů často jediným diagnostickým východiskem. Primární problém však spočívá v nedostatečném sledování pacientů a jejich okolí, které často obsahuje spouštěče reflexního epileptického záchvatu. Odborná lékařská literatura popisuje nejen přímé vazby mezi enviromentálními stimuly a reflexní epileptickou aktivitou ale také zmiňuje nedostatečný stav v oblasti výzkumu původců reflexní epilepsie.

Tato práce prezentuje řešení a algoritmy pro kontinuální mobilní sledování pacientů. Je sledována jejich mozková činnost, která primárně vypovídá o iktálním či interiktálním stádiu. Dále jsou však také monitorovány enviromentální podmínky, které mohou obsahovat nebezpečné stimulanty spouštějící reflexní epileptickou odezvu. Díky plné přenositelnosti měřícího systému jsou data získávána během běžného dne pacienta a nikoliv v klinickém prostředí.

Jádrem této práce pak je metoda GP-SVM určená k detekci epileptické aktivity, využívající kombinaci evolučních strategií v oblasti genetického programování a metody strojového učení SVM, určující kvalitu jedinců v populaci genetického algoritmu. Mezi další původní přinosy patří idea kontinuálního sledování okolí pacienta s korelací jeho mozkové aktivity za účelem nalezení enviromentálního zdroje této aktivity. Další dílčí přínosy jsou obsaženy v oblasti zpracování specifických enviromentálních signálů.

This thesis major focus is given to the area of environmental epilepsy sources detection, classification and prediction. Unimodal epilepsy detection is well known and described.

Multimodal detection for environmental source location on the other hand is not described in any study or literature. This research and thesis is motivated by practical experiences from the field of child neurology and people suffering from epilepsy. The primary issue is based unsatisfactory patient monitoring and patient’s environment monitoring. This environment often contains sources and triggers for reflex seizures.

This thesis presents solutions and algorithms for continuous mobile patient monitoring. Their brain activity is continuously monitored which classifies ictal and interictal brain activity. Environmental sources and stimuli's that can contain dangerous stimulants are monitored as well. Thanks to full system mobility the data can be recorded in the non-hospital environment as well.

Core of this thesis is GP-SVM method intended for ictal and interictal activity classification using combination of evolution strategies, genetic programming and machine learning algorithm SVM for the population member quality assessment. Amongst other original approaches is the idea of the continuous patient environmental reflex seizure provoking stimuli detection.