このアイテムの引用には次の識別子を使用してください:
http://elartu.tntu.edu.ua/handle/lib/50522| タイトル: | Розробка прикладної системи для автоматизованого аналізу ЕЕГ-сигналів із використанням топологічного та спектрального аналізу |
| その他のタイトル: | Development of an applied system for the automated analysis of EEG data using topological and spectral analysis |
| 著者: | Задворний, Олександр Миколайович Zadvornyi, Oleksandr |
| Bibliographic description (Ukraine): | Задворний О. М.. Розробка прикладної системи для автоматизованого аналізу ЕЕГ-даних із використанням топологічного та спектрального аналізу: кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „121 — інженерія програмного забезпечення“ / О. М. Задворний. — Тернопіль: ТНТУ, 2025. — 78 с. |
| 発行日: | 12月-2025 |
| Date of entry: | 22-12月-2025 |
| 出版者: | Тернопільський національний технічний університет імені Івана Пулюя |
| Country (code): | UA |
| Place of the edition/event: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Supervisor: | Бойко, Ігор Володимирович |
| UDC: | 004.9 |
| キーワード: | 121 інженерія програмного забезпечення електроенцефалограма епілепсія машинне навчання топологічний аналіз даних TDA персистентні гомології Random Forest ICA Python Streamlit electroencephalogram epilepsy machine learning topological data analysis TDA persistent homology Random Forest ICA Python Streamlit |
| Number of pages: | 78 |
| 抄録: | Метою роботи є підвищення ефективності автоматизованого виявлення
епілептичних нападів шляхом розробки програмної системи, що використовує
гібридний підхід на основі спектрального та топологічного аналізу даних із
застосуванням машинного навчання.
Об’єктом дослідження є процес автоматизованого аналізу та класифікації
ЕЕГ-сигналів. Предметом дослідження є методи та засоби обробки ЕЕГ із
використанням спектрального аналізу, топологічного аналізу (TDA) та алгоритмів
машинного навчання.
У роботі обґрунтовано доцільність використання топологічних ознак для
виявлення структурних змін мозкової активності. Реалізовано архітектуру системи
мовою Python (бібліотеки MNE, Gudhi, Scikit-learn), що виконує попередню
обробку (стандартизація, ICA) та формує вектор гібридних ознак на основі
спектральної густини потужності та персистентних ландшафтів.
Побудовано класифікатор Random Forest із використанням стратегій
балансування даних (SMOTE, RandomUnderSampler). Експериментальне
тестування на наборі CHB-MIT підтвердило ефективність підходу (f1-score 0.80).
Розроблено веб-інтерфейс (Streamlit) для візуалізації результатів діагностики та
інтерактивного аналізу сигналів. The purpose of the work is to increase the efficiency of automated epileptic seizure detection by developing a software system that uses a hybrid approach based on spectral and topological data analysis using machine learning. The object of research is the process of automated analysis and classification of EEG signals. The subject of research is the methods and tools for EEG processing using spectral analysis, Topological Data Analysis (TDA), and machine learning algorithms. The work substantiates the feasibility of using topological features to detect structural changes in brain activity. The system architecture has been implemented in Python (MNE, Gudhi, Scikit-learn libraries), which performs preprocessing (standardization, ICA) and forms a vector of hybrid features based on power spectral density and persistence landscapes. A Random Forest classifier has been built using data balancing strategies (SMOTE, RandomUnderSampler). Experimental testing on the CHB-MIT dataset confirmed the efficiency of the approach (F1-score 0.80). A web interface (Streamlit) has been developed for visualizing diagnostic results and interactive signal analysis. |
| Content: | ВСТУП................................................................................................................................ 1 АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ ТА ВИМОГ ДО СИСТЕМИ......................... 10 1.1 Характеристика електроенцефалограми як об’єкта дослідження ................. 10 1.1.1 Фізіологічна природа ЕЕГ та види епілептичних артефактів .................. 11 1.1.2 Проблематика автоматизованої детекції нападів ...................................... 12 1.2 Огляд існуючих методів аналізу часових рядів............................................... 13 1.2.1 Методи спектрального аналізу .................................................................... 14 1.2.2 Методи топологічного аналізу даних (TDA) ............................................. 15 1.3 Аналіз інструментальних засобів розробки ..................................................... 16 1.3.1 Огляд мови Python та бібліотек для Data Science...................................... 17 1.3.2 Інструменти для топологічного аналізу ..................................................... 19 1.4 Постановка задачі та формування вимог до системи...................................... 20 1.4.1 Визначення акторів та сценаріїв використання......................................... 20 1.4.2 Функціональні та нефункціональні вимоги до системи ........................... 22 2 ПРОЄКТУВАННЯ ПРОГРАМНОЇ СИСТЕМИ ..................................................... 25 2.1 Архітектура програмної системи та вибір технологічного стека .................. 25 2.1.1 Загальна схема конвеєра обробки даних .................................................... 26 2.1.2 Проєктування класів та модулів системи................................................... 28 2.2 Попередня обробка даних .................................................................................. 30 2.2.1 Характеристика набору даних CHB-MIT................................................... 31 2.2.2 Робота з форматом EDF та стандартизація каналів .................................. 32 2.2.3 Фільтрація сигналу й використання методу незалежних компонент...... 34 2.3 Розробка підсистеми екстракції ознак .............................................................. 36 2.3.1 Реалізація спектральних ознак .................................................................... 37 2.3.2 Реалізація топологічних ознак..................................................................... 39 2.4 Побудова моделі машинного навчання ............................................................ 41 2.4.1 Підготовка навчальної вибірки: стратегія крос-валідації......................... 42 2.4.2 Балансування класів...................................................................................... 442.4.3 Налаштування класифікатора...................................................................... 46 3 ТЕСТУВАННЯ, ВПРОВАДЖЕННЯ ТА ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ .. 49 3.1 Реалізація інтерфейсу користувача ................................................................... 49 3.1.1 Структура вебзастосунку на базі Streamlit................................................. 50 3.1.2 Візуалізація результатів ............................................................................... 53 3.2 Тестування та оптимізація моделі..................................................................... 56 3.2.1 Метрики оцінки якості (Precision, Recall, F1-score) .................................. 56 3.2.2 Оптимізація порогу чутливості та пост-обробка....................................... 58 3.2.3 Порівняння внеску спектральних та топологічних методів..................... 59 3.3 Впровадження та експлуатація системи........................................................... 61 3.3.1 Варіанти розгортання: локальний та хмарний доступ .............................. 61 3.3.2 Методика проведення автоматизованого аналізу...................................... 63 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ ............. 66 4.1 Охорона праці...................................................................................................... 66 4.2 Оцінка стійкості роботи системи для аналізу ЕЕГ-сигналів до дії проникаючої радіації і радіоактивного забруднення місцевості, які виникають після ядерного вибуху.......................................................................................................................... 70 ВИСНОВКИ................................................................................................................... 73 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ..................................................................... 75 ДОДАТКИ.......................................................................................................................... ДОДАТОК А – Публікація в науковому виданні .......................................................... ДОДАТОК Б – Лістинг коду розробленої програми ..................................................... |
| URI: | http://elartu.tntu.edu.ua/handle/lib/50522 |
| Copyright owner: | © Задворний Олександр Миколайович, 2025 |
| References (Ukraine): | 1. R. D. Thijs, R. Surges, T. J. O'Brien, and J. W. Sander, “Epilepsy in adults”, The Lancet, vol. 393, no. 10172, pp. 689–701, Feb. 2019. doi: 10.1016/S0140- 6736(18)32596-0. 2. A. Shoeibi et al., “Epileptic seizures detection using deep learning techniques: A review”, Int. J. Environ. Res. Public Health, vol. 18, no. 11, p. 5780, 2021. doi: 10.3390/ijerph18115780. 3. Методичні вказівки до виконання кваліфікаційної роботи магістра для здобувачів спеціальності 121 – Інженерія програмного забезпечення, всіх форм навчання / укладачі Михалик Д.М., Цуприк Г.Б., Бревус В.М., Мудрик І.Я. – Тернопіль: Тернопільський національний технічний університет імені Івана Пулюя, 2024. – 44 с. 4. K. Rasheed, A. Qayyum, J. Qadir, S. Sivathamboo, and P. Kwan, “Machine learning for predicting epileptic seizures using EEG signals: A review”, IEEE Rev. Biomed. Eng., vol. 14, pp. 139–155, 2020. doi: 10.1109/RBME.2020.3008792. 5. Y. Wang et al., “Topological data analysis of Single-Trial Electroencephalographic Signals”, The Annals of Applied Statistics, vol. 12, no. 3, pp. 1506–1534, Sep. 2018. doi: 10.1214/17-AOAS1119. 6. A. Phinyomark, E. Ibanez-Marcelo, and G. Petri, “Resting-state fMRI functional connectivity: Big data preprocessing pipelines and topological data analysis”, IEEE Trans. Big Data, vol. 3, no. 4, pp. 415–428, Dec. 2017. doi: 10.1109/TBDATA.2017.2734883. 7. M. Sazgar and M. G. Young, Absolute Epilepsy and EEG Rotation Review: Essentials for Trainees. Springer International Publishing, 2019. doi: 10.1007/978-3-030- 03511-2. 8. X. Jiang, G.-B. Bian, and Z. Tian, “Removal of artifacts from EEG signals: A review”, Sensors, vol. 19, no. 5, p. 987, 9. A. Craik, Y. He, and J. L. Contreras-Vidal, “Deep learning for electroencephalogram (EEG) classification tasks: a review”, J. Neural Eng., vol. 16, no. 3, p. 031001, 2019. doi: 10.1088/1741-2552/ab0ab5 10. H. G. Daoud and M. A. Bayoumi, “Efficient epileptic seizure prediction based on deep learning”, IEEE Trans. Biomed. Circuits Syst., vol. 13, no. 5, pp. 804–813, Oct. 2019. doi: 10.1109/TBCAS.2019.2929053. 11. I. Stefanyshyn, O. Pastukh, V. Stefanyshyn, I. Baran, and I. Boyko, “Robustness of AI algorithms for neurocomputer interfaces based on software and hardware technologies”, in Proc. CEUR Workshop, vol. 3742, 2024, pp. 137–149. 12. F. Chazal and B. Michel, “An Introduction to Topological Data Analysis: Fundamental and Practical Aspects for Data Scientists”, Frontiers in Artificial Intelligence, vol. 4, 2021. doi: 10.3389/frai.2021.667963. |
| Content type: | Master Thesis |
| 出現コレクション: | 121 — інженерія програмного забезпечення |
このアイテムのファイル:
| ファイル | 記述 | サイズ | フォーマット | |
|---|---|---|---|---|
| dyplom_Zadvornyi_O_2025.pdf | 3,56 MB | Adobe PDF | 見る/開く |
このリポジトリに保管されているアイテムはすべて著作権により保護されています。
管理ツール