Led the design and development of an end-to-end AI system for epileptic seizure prediction using multichannel EEG signals, combining deep learning, signal processing, and web deployment.
قدت تصميم وتطوير نظام ذكاء اصطناعي متكامل للتنبؤ بنوبات الصرع باستخدام إشارات EEG متعددة القنوات، جامع بين التعلم العميق ومعالجة الإشارات والنشر عبر الويب.
99.49%
Accuracy
الدقة
1.00
AUC
AUC
10-fold
Cross-validation
التحقق المتقاطع
🥇 1st
UQU Exhibition 2025
معرض جامعة أم القرى ٢٠٢٥
System Architecture
معمارية النظام
- Built on the CHB-MIT Scalp EEG Database 23 pediatric patients, 198 documented seizures with unified temporal annotations and binary seizure labeling.
- Combines a CNN block, capturing localized spatial patterns across EEG channels, with a TCN block, capturing the sequential temporal dependencies between them.
- Trained and validated with 10-fold cross-validation, optimized with binary cross-entropy loss and a sigmoid output for seizure probability.
- Reached 99.49% accuracy and a perfect ROC-AUC score, outperforming CNN (98.14%), LSTM-TCN (93.57%), and LSTM (88.83%) baselines.
- Includes an interactive Streamlit dashboard for clinicians to monitor patients and review EEG signals per electrode.
- مبني على قاعدة بيانات CHB-MIT Scalp EEG — ٢٣ مريضًا من الأطفال، ١٩٨ نوبة موثّقة — مع تسميات زمنية موحّدة وتصنيف ثنائي للنوبات.
- يجمع بين كتلة CNN، اللي تلتقط الأنماط المكانية المحلية عبر قنوات EEG، وكتلة TCN، اللي تلتقط الاعتمادية الزمنية المتسلسلة بينها.
- تدرّب وتحقق منه بتحقق متقاطع ١٠ طيات، وحُسّن بدالة خسارة الإنتروبيا المتقاطعة الثنائية وطبقة إخراج sigmoid لاحتمالية النوبة.
- وصل لدقة ٩٩.٤٩٪ ودرجة ROC-AUC مثالية، متفوقًا على نماذج CNN (٩٨.١٤٪) وLSTM-TCN (٩٣.٥٧٪) وLSTM (٨٨.٨٣٪).
- يشمل لوحة Streamlit تفاعلية تتيح للأطباء متابعة المرضى ومراجعة إشارات EEG لكل قطب.
My role
دوري بالمشروع
- Implemented and tuned the CNN-TCN architecture proposed by the project supervisor, adding layers and adjusting regularization and convolution settings to improve performance.
- Structured the project into specialized workstreams data preprocessing, hyperparameter optimization, results benchmarking, overfitting validation, and backend/web development and led a team by assigning ownership, setting milestones, and integrating outputs across the pipeline.
- Independently engineered the signal-processing core: converting raw EEG ADU values to voltage and frequency domain, and building the clinical-style Montage EEG visualization layer with Plotly and PyEDFlib.
- Developed the interactive prediction platform integrating Flask, MySQL, and the deep-learning inference pipeline.
- طبّقت وضبطت معمارية CNN-TCN التي تم اقتراحها من قبل مشرفة المشروع، بإضافة طبقات وتعديل إعدادات التنظيم والالتفاف لتحسين الأداء.
- نظّمت المشروع في مسارات عمل متخصصة معالجة أولية للبيانات، ضبط المعاملات الفائقة، قياس النتائج، التحقق من الإفراط في التخصيص، وتطوير الواجهة الخلفية والويب وقدت الفريق عبر توزيع المسؤوليات وتحديد المعالم ودمج المخرجات.
- هندست بشكل مستقل نواة معالجة الإشارة: تحويل قيم EEG الخام (ADU) إلى الجهد ومجال التردد، وبناء طبقة العرض المرئي لموجات EEG بأسلوب سريري طبي Montage باستخدام Plotly , PyEDFlib.
- طورت منصة التنبؤ التفاعلية بدمج Flask وMySQL وخط استدلال التعلم العميق.
Demo
عرض توضيحي