Розробка прикладної системи для автоматизованого аналізу ЕЕГ-сигналів із використанням топологічного та спектрального аналізу

Abstract

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.