توصيفگر ها :
صرع , سيگنالهاي انسفالوگرام (EEG) , پيشبيني تشنج , ويژگي هاي آشوبناك
چكيده فارسي :
بر اساس گزارش سازمان جهاني بهداشت در سال 2007، حدود يك ميليارد نفر در سراسر جهان درگير اختلالات عصبي هستند كه از مهمترين آن‌ها مي‌توان به بيماري صرع اشاره كرد. صرع، گستره‌اي متغير از يك احساس خفيف يا قطع شدن كوتاه مدت تفكر طبيعي يا حركات شديد تشنجي و اختلالات هوشياري است. دليل اين حركات، تخليه ناگهاني نورون‌هاي مغز و امواج الكتريكي كوتاه مدت است كه از بعضي مناطق مغز به مناطق ديگر آن جريان مي‌يابد. در بيشتر موارد دلايل رخداد صرع نامشخص است، اما در برخي افراد نيز به دليل آسيبهاي مغزي، سرطان مغز، مصرف بيش از حد داروها و الكل و يا در اثر عوامل ژنتيكي ممكن است ايجاد شود. طبق آمار ارائه شده تقريبا 1% مردم جهان مبتلا به بيماري صرع هستند كه از اين تعداد نزديك به 30% مبتلا به صرع مقاوم به دارو ميباشند. صرع مقاوم به دارو با عواقب نامطلوب و جدي همچون جراحت و يا حتي مرگ مي‌تواند همراه باشد. چالش اصلي در رابطه با اين نوع صرع، غيرقابل پيشبيني بودن آن است كه يك تهديد بزرگ براي كيفيت زندگي محسوب ميشود. توانايي پيشبيني دقيق تشنج، حتي چند دقيقه قبل از شروع آن، بيمار و يا پزشك را قادر مي‌سازد تا اقدامات لازم را در برابر آسيبهاي احتمالي انجام دهند. از اين رو پيشبيني تشنج و طبقهبندي سيگنال مغزي از اهميت بالايي برخوردار است. سيگنال EEG در حالت طبيعي داراي ماهيتي آشوبناك است. با نزديك شدن به زمان وقوع تشنج ، رفتار اين سيگنال به سمت متناوب شدن پيش ميرود. در اين پژوهش در راستاي طبقهبندي سيگنالهاي EEG و تشخيص سيگنال طبيعي از حالت پيشاز تشنج، از ويژگيهاي آشوبناك سيگنال مغزي در كنار شبكه عصبي پرسپترون چندلايه بهره ميبريم. اين الگوريتم براي 6 نفر از كودكان بيمارستان بوستون به صورت جداگانه مورد بررسي قرار ميگيرد. با استفاده از اين طبقهبندي با ميانگينگيري نتايج اين 6 نفر به صحت % 84/83 ،حساسيت % 5/86 و تشخيص‌پذيري% 85 دست يافتيم. در كنار اين شبكه عملكرد طبقهبندي SVM نيز با صحت % 45/93 قابل توجه است. از چالشهاي اساسي ديگر در اين حوزه، تخمين زمان وقوع حمله ميباشد. بر اين اساس با استفاده از ويژگي توان سيگنال EEG در زيرباندهاي مختلف و بهرهگيري از طبقهبندي 10 كلاسه كه هر كلاس آن داراي طول زماني 3 دقيقه است، توانستيم زمان شروع تشنج را با صحت 78% تخمين بزنيم.
چكيده انگليسي :
according to a report by World Health Organization (WHO) in 2007, neurological disorders were estimated to affect as many as a billion people worldwide. One of these disorders is epilepsy. Epilepsy is a variable range of a mild feeling or short interruption of normal thinking or severe convulsive movements and disturbances of consciousness. The reason for these movements is the sudden depletion of brain neurons and short-lived electrical waves that flow from some areas of the brain to other areas. In most cases, the cause of epilepsy is unclear, but in some people, it may be due to brain damage, brain cancer, overuse of drugs and alcohol, or genetic factors. According to reports, approximately 1% of the world's population suffers from epilepsy, of which about 30% have drug-resistant epilepsy. Drug-resistant epilepsy can have serious and adverse consequences, such as injury or even death. The main challenge with this type of epilepsy is its unpredictability, which is a major threat to the quality of life. The ability to accurately predict a seizure enables the patient or physician to take action against potential injuries, even a few minutes before it begins. Therefore, seizure prediction and brain signal classification are so important. The EEG signal is naturally chaoticeizure approaches, the behaviour of this signal tends to alternate. In this study, to classify EEG signals and distinguish normal signals from pre-seizure states, we use the chaotic features of the brain signal along with the multilayer perceptron neural network. This algorithm is tested separately for 6 children in Boston Hospital. Using this classification, by averaging the results of these 6 pataint, we obtained 83.84 % accuracy, 86.5 % sensitivity and 85 % specificity. In addition to this network, the SVM classification performance is also significant with 93.45% accuracy. Another major challenge in this field is estimating the time of seizure onset. Based on this, by using the EEG signal power feature in different subbands and using the 10 classes classification, that each class has a 3 minutes duration, we were able to estimate the onset time of seizures with 78 % accuracy.
