נושא הפרוייקט
מספר פרוייקט
מחלקה
שמות סטודנטים
אימייל
שמות מנחים
למידת מכונה ומציאת תבניות טמפורליות לחיזוי תגובה לטיפול dTMS לדיכאון
Using Machine Learning to Predict Efficacy of Deep TMS Therapy for Depression: A Temporal Data Mining Approach
תקציר בעיברית
לפרויקט זה שתי מטרות עיקריות. המטרה הראשונה היא חיזוי תגובה לטיפול בגרייה מגנטית טרנסקרניאלית עמוקה (dTMS) לדיכאון קליני, עבור גרייה מגנטית באיזורים הבאים: ,lateral prefrontal cortex medial prefrontal cortex . במידה ומודל החיזוי יצליח לחזות בצורה טובה תגובה לטיפול עבור שני סוגי הטיפולים הללו, נוכל להתאים טיפול למטופל בצורה טובה יותר. המטרה השנייה היא מציאת תבניות טמפורליות מבוססות זמן באותות EEG שיש להן קשר מובהק למצב של דיכאון קליני, ובכך לתרום לידע הקיים בנושא דיכאון קליני. הדרך בה אני משתמש בפרויקט זה להשגת שתי המטרות כוללת שלושה שלבים עיקריים. השלב הראשון הוא יצירת אבסטרקציות מהקלטות EEG גולמיות בארבע שיטות אבסטרקציה: מצב, מגמה, מיקרוסטייט (microstate) ועוצמה תדרית. השלב השני הוא מציאת התבניות הטמפורליות מהנתונים המפושטים בשיטת KarmaLego. התבניות שיימצאו באחוז מסויים של ההקלטות (ערך סף דינמי) ייכנסו כפיטצ'רים למודל. השלב השלישי הוא יצירת מודלים מבוססי למידת מכונה. מודל אחד לכל טיפול להשגת המטרה הראשונה ומודל אחד כללי לחיזוי מדד דיכאון ממנו אוציא את הפיטצרים המשמעותיים למודל להשגת המטרה השנייה. כרגע אף אחד מהמודלים לא מניב תוצאות מדוייקות אך בתקווה שבהמשך אשיג תוצאות טובות יותר.
תקציר באנגלית
This project has two main goals. The first goal is to predict response to deep transcranial magnetic stimulation (dTMS) treatment for clinical depression, for magnetic stimulation in the following areas: lateral prefrontal cortex, medial prefrontal cortex. If the prediction model can predict well the response to treatment for these two types of treatment, we will be able to match treatment to the patient in a better way. The second goal is to find time-based temporal patterns in EEG signals that have a clear relationship to the state of clinical depression, thus contributing to the existing knowledge about clinical depression. To achieve both goals there are three main steps. The first step is creating abstractions from raw EEG recordings using four abstraction methods: state, trend, microstate and frequency intensity. The second step is finding the temporal patterns from the simplified data using the KarmaLego method. The patterns that will be found in a certain percentage of the recordings (dynamic threshold value) will enter as features to the model. The third step is the creation of machine learning based models. One model for each treatment to achieve the first goal and one general model for predicting a depression score (HDRS21) from which I will extract the significant features for the model to achieve the second goal. Now, none of the models yields accurate results, but hopefully in the future the I will achieve better model results.