19993

17262

كارشناسي ارشد

بيوالكتريك

اصفهان : دانشگاه صنعتي اصفهان

1402

سيزده، 86ص. : مصور، جدول، نمودار

1403/09/14

كتابنامه

مهندسي پزشكي

مهندسي برق و كامپيوتر

1403/09/14

23091411

صرع نوعي بيماري مزمن است كه در طبقه‌بندي بيماري‌هاي مغز و اعصاب قرار مي‌گيرد. جهت تشخيص زمان وقوع حمله در بيماران مبتلا به صرع در كوتاه‌ترين زمان ممكن، نياز به يك پردازش سريع سيگنال¬هاي عصبي است. در اكثر مطالعات انجام شده حول موضوع پيش بيني حملات صرع، از سيگنال¬هاي الكتروانسفالوگرافي براي تشخيص بيماران مبتلا به صرع با استفاده از ثبت فعاليت الكتريكي مغز كه ممكن است با صرع مرتبط باشد، استفاده مي‌شود. اگرچه علت اصلي صرع ناشناخته باقي مانده است، پيش‌بيني حملات تشنج در بيماري صرع مفيد بوده و همچنين تأثير زيادي بر كيفيت زندگي بيماران خواهد گذاشت. فرآيند پيش بيني تشنج‌ها، تمايز قائل شدن بين مراحل زماني قبل حمله (preictal) وحين حمله تشنج صرعي (interictal) است. برخي از مطالعات انجام شده تا به الان جهت تشخيص و پيش¬بيني حملات صرع روش‌هاي مختلفي بر اساس الگوريتم‌هاي يادگيري ماشين و يادگيري عميق ارائه كرده اند؛ اما هنوز چالش هايي از جمله ارائه يك الگوريتم موثر در تشخيص فازهاي interictal وpreictal در فاصله زماني طولاني مدت بين حملات و بررسي استفاده از اطلاعات بخشي از كانال هاي EEG و يا تمام كانال ها در بحث پيش بيني وجود دارد. هدف اين پايان نامه ارائه الگوريتمي براي پيش‌بيني حملات با دقت بالاتر تحت اعتبارسنجي K-Fold براي همه بيماران مبتلا به صرع به طور جداگانه در مقايسه با كارهاي گذشته براي رفع محدوديت هاي فوق است؛ و هچنين ساخت شبكه هاي عميقي كه تحت اعتبارسنجيLOOCV با استفاده از داده¬هاي كل بيماران، مسئله پيش بيني وقوع حمله صرعي را انجام دهند. براي نيل به اين هدف از يك ساختار شبكه عميق با رويكرد تنسور چند بعدي به عنوان ورودي شبكه استفاده خواهد شد. ابعاد مختلف اين تنسور مي تواند ويژگي سيگنال EEG ، كانال¬هاي EEG، زمان و يا فركانس سيگنال EEG باشد. در اين پژوهش، چهار روند براي مسئله پيش بيني حمله صرعي معرفي خواهد شد كه در انتها، دقت پيش بيني (به طور ميانگين از همه بيماران) تحت تكنيك K-Fold و LOOCV به ترتيب به عدد %99/77 و %92/06 رسيد.

Epilepsy is a chronic disease classified under neurological disorders. To diagnose the timing of seizures in epileptic patients as quickly as possible, fast processing of neural signals is required. In most studies conducted on the prediction of seizures, electroencephalography (EEG) signals are used to detect patients by recording the brain's electrical activity, which may be associated with seizures. Although the primary cause of epilepsy remains unknown, early detection can be beneficial for epilepsy treatment and significantly impact the quality of life for patients. The process of seizure prediction involves distinguishing between preictal and interictal stages. Several studies have proposed various methods for diagnosing and predicting seizures using machine learning algorithms and deep learning techniques. However, there are still challenges, such as providing an effective algorithm for detecting interictal and preictal phases over long periods between seizures, and exploring the use of partial or full-channel EEG data for prediction. The goal of this thesis is to present an algorithm for seizure prediction with higher accuracy using the K-Fold technique for all individual epileptic patients, compared to previous works, to address the aforementioned limitations. Additionally, deep neural networks will be constructed to perform seizure occurrence prediction using the LOOCV technique and complete patient data. A multidimensional tensor-based deep network structure will be used as input, with different dimensions of the tensor representing EEG signal features, EEG channels, time, or frequency. In this research, four approaches will be introduced for the seizure prediction problem, and the prediction accuracy (averaged across all patients) using the K-Fold and LOOCV techniques will reach 99.77% and 92.06%, respectively.

احسان روحاني , امير اخوان بي تقصير

جلال ذهبي , فرزانه شايق بروجني