พัฒนาปัญญาประดิษฐ์ที่สามารถอธิบายกลไกการเรียนรู้ได้ด้วยวิธีการทางคณิตศาสตร์ เพื่อประยุกต์ใช้ในการทำนายการเกิดอาการชักจากคลื่นไฟฟ้าสมอง
- ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์
ปุณณวิช ธุวจิตต์
- อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์
บัญชาพร อรุณเลิศอารีย์, ธีรวิทย์ วิไลประสิทธิ์พร
- โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์
- ปีที่จัดทำโครงงานวิทยาศาสตร์
บทคัดย่อโครงงานวิทยาศาสตร์
Epilepsy is a common neurological disorder that affects millions of people worldwide. It can be classified by frequent seizure onsets. Deep Convolutional Neural Network (DCNN) has been used in electroencephalography (EEG) analysis in seizure onset prediction, achieving over 90% accuracy in classifying seizure signals apart from normal one. Despite the high accuracy, two main flaws have limited the usage of the DCNN model in clinical usage. Firstly, most model struggle in detecting pre-seizure signals which does not allow seizure predictions ahead of time. Secondly, clinicians still do not understand how the DCNN differentiate abnormal EEG signals from normal ones (i.e. the EEG frequency bands that the model labels as seizure), rendering clinical usage impractical.
In this study, a DCNN model was built to classifiy normal, pre-seizure and seizure EEG signal which obtained over 95% accuracy and over 0.80 F1 score. Moreover, an algorithm called Layer-wise Relevance Propagation (LRP) was applied to the DCNN model in order to verify the EEG features that the model used in differentiating the EEG signals. The results showed that LRP explanation reveal that the DCNN could select EEG features related to the distinctive features of each signal type. In conclusion, these findings substantiate the reliability of the DCNN model in clinical usage. A demonstration desktop application named Seizure Prediction - Early Epilepsy Detection (SPEED) was then created in order to simulate the usage of the DCNN model in both the early-prediction and detection of seizure onsets.
The ultimate goal of this study is the eventual creation of a device that can reliably aid clinicians in monitoring patients with epilepsy.