haku: @keyword algorithm / yhteensä: 19
viite: 7 / 19
| Tekijä: | Palmu, Kirsi |
| Työn nimi: | Automatic detection of spontaneous activity transients in preterm electroencephalography |
| Spontaanien aktiviteettipurskeiden automaattinen tunnistus keskosten aivosähkökäyrästä | |
| Julkaisutyyppi: | Lisensiaatintutkimus |
| Julkaisuvuosi: | 2013 |
| Sivut: | 57 Kieli: eng |
| Koulu/Laitos/Osasto: | Lääketieteellisen tekniikan ja laskennallisen tieteen laitos |
| Oppiaine: | Lääketieteellinen tekniikka (Tfy-99) |
| Valvoja: | Ilmoniemi, Risto |
| Ohjaaja: | Vanhatalo, Sampsa ; Valpola, Harri |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201304261929 |
| Sijainti: | TFM | Arkisto |
| Avainsanat: | preterm neonate prematurity EEG spontaneous activity transient automated detection algorithm optimization validation keskonen vastasyntynyt keskosuus EEG spontaani aktiviteettipurske automaattinen tunnistus algoritmi optimointi validointi |
| Tiivistelmä (fin): | Erittäin ennenaikaisesti syntyneet keskoset saattavat tarvita teho-osastohoitoa jopa kuukausien ajan. Hoidon vaikutus lapsen kehitykseen riippuu paljon siitä, kuinka hyvin aivojen hoito onnistuu. Aivojen toiminnan jatkuva valvonta elektroenkefalografian (EEG) avulla ei vielä kuulu tavanomaiseen hoitokäytäntöön, koska EEG:n tulkintaa pidetään vaikeana. EEG:n tulkintaan tarvitaankin automaattisia menetelmiä, jotta aivojen tarkkailusta tulisi osa vastasyntyneiden tehohoidon rutiinia. Tässä työssä tutkitaan spontaanien aktiviteettipurskeiden tunnistamista (engl. spontaneous activity transient, SAT). Keskosten aivotoiminta muodostuu suurelta osin aktiviteettipurskeista. Käyttämällä kolmen lääkärin käsin tehtyjä merkintöjä aktiviteettipurskeista 18 lyhyessä keskosilta mitatussa EEG:ssä todistan, että lääkärit tunnistavat aktiviteettipurskeet johdonmukaisesti. Tämän jälkeen testaan, sopiiko eräs myynnissä oleva algoritmi aktiviteettipurskeiden automaattiseen tunnistukseen. Algoritmin suorituskyky ei ole riittävä, joten kehitän siitä paremman version. Uuden, parannellun algoritmin parametrit optimoidaan käyttämällä opetusaineistona niitä EEGjaksoja, joiden luokittelusta kaikki kolme lääkäriä olivat yhtä mieltä. Algoritmin suorituskykyä arvioidaan suorittamalla optimointi 18 kertaa siten, että kullakin kerralla yksi mittauksista jätetään pois opetusaineistosta. Optimoitua menetelmää käytetään sitten aktiviteettipurskeiden tunnistamiseen poisjätetyssä mittauksessa. Algoritmin arvioitu suorituskyky on erinomainen; sen sensitiivisyys on 96,6 +- 2,8 % ja spesifisyys 95,1 +- 5,6 %. EEG:n segmentointi aktiviteettipurskeisiin ja niiden välisiin jaksoihin tarjoaa pohjan jatkoanalyysille. Aktiviteettipurskeiden osuutta EEG:stä (SAT%) voidaan mahdollisesti käyttää keskosen vireystilan vaihtelujen seuraamiseen. Vireystilojen säännöllinen vaihtelu saattaa olla merkki aivojen hyvinvoinnista. Tässä työssä esitelty algoritmi voi osaltaan edesauttaa keskosten hoidon kehittymistä entistä paremmaksi. |
| Tiivistelmä (eng): | Very preterm infants may require neonatal intensive care for several months, and the developmental outcome of the care depends on how well brain function can be managed. Direct monitoring of brain function with electroencephalography (EEG) is currently not a part of routine care, since it is perceived challenging due to difficulties in its interpretation. Therefore, automated methods for EEG interpretation are needed in order to make brain monitoring part of the routine in neonatal intensive care. This thesis investigates the detection of spontaneous activity transients (SATs), which form the majority of brain activity in preterm infants. Using manual markings by three doctors in 18 short recordings of preterm EEG, I show that SATs can be recognized by doctors in a consistent manner. A commercially available algorithm is then tested for its ability to detect SATs automatically. The performance of the algorithm is clearly insufficient and therefore it is developed further. The parameters of the new, streamlined algorithm are optimized using unanimous markings by the three doctors as a gold standard. Estimates for the performance of the algorithm on unseen data are obtained by running the optimization 18 times, each time leaving out one of the recordings. The algorithm is then run on the EEG left out from the optimization using the optimized parameters. The estimated performance of the algorithm is found to be excellent, with sensitivity of 96.6 +- 2.8 % and specificity of 95.1 +- 5.6 %. Segmentation of the EEG into SATs and periods between SATs is a starting point for further analysis. One promising direction for future studies is to use SAT%, the proportion of time covered by SATs, to detect cycles of different vigilance stages in preterm infants. Such cyclicity could become a marker of the brain's wellbeing. The algorithm presented in this thesis may contribute to better care of preterm infants. |
| ED: | 2013-04-22 |
INSSI tietueen numero: 46123
+ lisää koriin
INSSI