Τα Συνελικτικά Νευρωνικά Δίκτυα (CNN) αποτελούν μοντέλα βαθιάς μάθησης ειδικά σχεδιασμένα για επεξεργασία και ανάλυση δεδομένων. Παρουσιάζουν εξαιρετική ακρίβεια στην αναγνώριση και ταξινόμηση εικόνων, στην αυτόματη εξαγωγή χαρακτηριστικών, ενώ στην Ιατρική Απεικόνιση ξεπερνούν σε προβλεπτική ικανότητα ακόμα και τους ειδικούς.

Στην παρούσα διπλωματική εργασία αναπαριστούμε πολυκαναλικά σήματα που λήφθηκαν από Ηλεκτροεγκεφαλογραφήματα (ΗΕΓ) σε δισδιάστατη μορφή, προκειμένου να τα ταξινομήσουμε χρησιμοποιώντας ένα CNN.

Για τις ανάγκες της έρευνας, χρησιμοποιήσαμε δεδομένα ΗΕΓ 88 συμμετεχόντων, που είτε έπασχαν από τη Νόσο του Αλτσχάιμερ ή από Μετωποκροταφική Άνοια, είτε ήταν υγιείς. Οι τιμές καταγράφηκαν μέσω 19 ηλεκτροδίων, με ρυθμό δειγματοληψίας 500 Hz, διάρκειας περίπου 13,5 λεπτών και πλησιάζουν τις 634 εκατομμύρια.

Έπειτα από την προεπεξεργασία των δεδομένων, υπολογίσαμε στατιστικές μετρικές στο πεδίο του χρόνου με τις οποίες τροφοδοτήσαμε διάφορους ταξινομητές. Στη συνέχεια, μετατρέψαμε τα δεδομένα στο πεδίο των συχνοτήτων, ώστε να εξάγουμε Δισδιάστατες Θερμικές Εικόνες (Heatmaps) και να τροφοδοτήσουμε με αυτές το CNN. Η ταξινόμηση των δεδομένων προσεγγίστηκε τόσο ως πρόβλημα τριών κλάσεων, αλλά και ως δυαδικών.

Από την ανάλυση των δεδομένων, συμπεράναμε ότι οι δυαδικές προσεγγίσεις επιφέρουν καλύτερα ποσοστά ακρίβειας ταξινόμησης ανεξαρτήτως ταξινομητή. Επιπλέον, και στις τρεις προσεγγίσεις, η ταξινόμηση με χρήση CNN παρήγαγε σημαντικά μεγαλύτερο βαθμό ακρίβειας, συγκριτικά με τους υπόλοιπους ταξινομητές Μηχανικής Μάθησης που χρησιμοποιήσαμε. Η υπεροχή αυτή οφείλεται στη δυνατότητα των CNN να επιλέγουν τα χαρακτηριστικά εκείνα που συνοδεύονται με τη μεγαλύτερη ποσότητα πληροφορίας, εν αντιθέσει με τους υπόλοιπους ταξινομητές στους οποίους η επιλογή χαρακτηριστικών γίνεται με την επίβλεψη του χρήστη.

Convolutional Neural Networks (CNNs) are deep learning models specifically designed for data processing and analysis. They show excellent accuracy in image recognition, classification and automatic feature extraction. In medical imaging they surpass even experts in their predictive ability.

In this thesis we present multichannel signals obtained from Electroencephalograms (EEG) in 2D format in order to classify them using a CNN.

For the purposes of our research, we used EEG data from 88 participants, who either suffered from Alzheimer's Disease, Frontotemporal Dementia, or had no illness. Almost 634 million values were recorded through 19 electrodes, at a sampling rate of 500 Hz, lasting approximately 13,5 minutes.

After preprocessing the data, we calculated statistical metrics in the time domain that we fed to various classifiers. We then transformed the data into the frequency domain to extract 2D Heatmaps and feed them to the CNN. Data classification was approached both as a three-class problem as well as binary.

Duty data analysis, we concluded that the binary approaches resulted in better classification accuracy rates regardless of the classifier. Moreover, in all three approaches, the classification using CNN produced a significantly higher degree of accuracy, compared to the rest of the Machine Learning classifiers we used. This is due to the ability of CNNs to select those features that hold the largest amount of information, as opposed to the rest of the classifiers in which the selection of features is done with the supervision of the user