20.500.12556/RUL-152239 Analiza in klasifikacija elektroencefalograma za pomoč pri diagnosticiranju zgodnje Alzheimerjeve bolezni Analysis and classification of electroencephalogram to help diagnose early Alzheimer’s disease Elektroencefalogram (EEG) se kot diagnostično orodje uporablja predvsem za diagnosticiranje relativno redkih možganskih bolezni, na primer epilepsije. V tej magistrski nalogi smo se usmerili na gručenje in analizo EEG-mikrostanj, ponavljajočih se topografij električnih potencialov na površini glave. Osredotočili smo se na problem zgodnjega odkrivanja Alzheimerjeve bolezni, najpogostejše oblike demence, ki prizadene od 5-10% ljudi starejših od 65 let. Analizirali smo tri algoritme za gručenje mikrostanj. Na podlagi pridobljenih mikrostanj smo opravili analizo statistične pojavljivosti EEG-mikrostanj in opazili signifikantne razlike v pojavljivosti nekaterih mikrostanj med zdravimi subjekti in subjekti, ki imajo najverjetneje demenco. Ta mikrostanja smo nato uporabili v postopku klasifikacije. S postopkom 10-kratnega križnega preverjanja smo ocenili natančnost osmih enostavnih klasifikatorjev, ki glede na statistično pojavljivost mikrostanj v EEG-posnetku določijo, ali je subjekt zdrav ali pa ima demenco. Najbolj natančen klasifikator je bil naučen z metodo podpornih vektorjev na podlagi mikrostanj, pridobljenih z metodo SCIMS, in ima AUC enak 0,76. The electroencephalogram (EEG) is mostly used as a diagnostic tool for relatively rare brain diseases, e.g. epilepsy. In this master's thesis, we focused on the clustering and analysis of EEG microstates, which are recurring topographies of electric potentials on the surface of the head. Our focus was on the problem of diagnosing early-onset Alzheimer's disease, the most common type of dementia that affects 5-10% of people older than 65 years. We analyzed three clustering algorithms. Based on the acquired microstates, we analyzed the frequency of EEG microstate occurrences and observed significant differences in the frequencies of certain microstates between healthy subjects and subjects with dementia. We then used these microstates in a classification. Using a 10-fold cross-validation approach, we assessed the accuracy of eight simple classifiers that determine, based on the statistical frequency of EEG microstate occurrences in the EEG recording, whether a subject is healthy or has probably dementia. The most accurate classifier was trained using the support vector machine method based on microstates acquired using the SCIMS method, with an AUC of 0.76. elektroencefalografija mikrostanja Alzheimerjeva bolezen nevronske mreže electroencephalography microstates Alzheimer's disease neural networks true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2023-11-14 07:50:14 2023-11-14 07:50:20 2023-11-20 06:00:21 0000-00-00 00:00:00 2023 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 35354 172733187 Aljaz_Barbara_-_Analiza_in_klasifikacija_elektroencefalograma_za_pomoc_pri_diagnosticiranju_zgod.pdf Aljaz_Barbara_-_Analiza_in_klasifikacija_elektroencefalograma_za_pomoc_pri_diagnosticiranju_zgod.pdf 1 CE43FFE6C1583E79D1078D8258DB714B 52603a65aeb33a4019cb75614fd70466b5a27d12b8ca405c55f98123259df359 1a4b9414-82ba-11ee-ad74-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=177615 Fakulteta za računalništvo in informatiko 0 0 0