بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
آشکارسازي تخليه هاي صرعي در سيگنال EEG با استفاده از تبديل ويولت و ماشين بردار پشتيبان
چکيده -در اين مقاله روشي براي آشکارسازي تخليه هاي صرعي در سيگنال EEG ارائه ميکنيم که در آن از ٥ دسته داده که از پايگاه داده دانشگاه بن گرفته شده است استفاده مينماييم . در اين مقاله از تبديل ويولت و معيارهاي آماري ضرايب ويولت و همچنين نماهاي لياپانوف به عنوان ويژگي و از ماشينهاي بردار پشتيبان چندکلاسه و شبکه هاي عصبي چند لايه ، به عنوان تفکيک کننده استفاده شده است . که در آن نشان ميدهيم که ميتوان نتايج قابل قبولي جهت تفکيک کنندگي اسپايکهاي صرعي از سيگنال EEG بدست آورد. در اين مقاله مقايسه اي بين عملکرد هر دو طبقه بندي کننده از جنبه هاي حساسيت و قابليت تفکيک ارائه ميکنيم . که در آن نشان داده شده است که استفاده از ماشينهاي بردار پشتيبان چند کلاسه ، نتايج بهتري را ميدهد. بطوريکه در بهترين حالت ميزان تفکيک کنندگي ماشينهاي بردار پشتيبان چند کلاسه ، براي ٥ دسته ٩١.٤٨ درصد ميگردد.
واژه هاي کليدي: :سيگنالهاي صرعي، شبکه هاي عصبي چند لايه ، ضرايب ويولت ، ماشين بردار پشتيبان ، نماهاي لياپانوف
١- مقدمه
بررسي سيگنال EEG روش کلينيکي مناسبي براي تشخيص بي نظميهاي مربوط به صرع است . صرع وقوع آشفتگي ناگهاني وگذرا در عملکرد مغز است که از تخليه گروه وسيعي از سلولهاي مغزي حاصل مي شود. در هنگام وقوع حمله صرعي، سيگنال EEG شخص بيمار شکل موجهاي متناوب سنکرون و دامنه بالايي نشان ميدهد. بين حمله هاي صرعي نيز شکل موجهاي گذراي صرع گونه ديده ميشوند که شامل ضربه ها و امواج تيز هستند. اما آشکارسازي و طبقه بندي اين شکل موجهاي گذراي تيز با مشاهده EEG ثبت شده کار سخت و وقت گيري است که نياز به فردي متخصص و خبره دارد[١]. از طرفي ديگر ثبت هاي طولاني مدت EEG که تا ٢٤ ساعت و يا بيشتر نيز طول ميکشند نياز به آشکارسازي کامپيوتري الگوهاي صرعي را قوت ميبخشد، زيرا ضربه هاي بين صرعي به ندرت اتفاق ميافتند و ممکن است توسط شخصي که کاغذ ثبت را مرور ميکند ناديده گرفته شوند. تا کنون براي آشکارسازي کامپيوتري علائم صرعي در سيگنالهاي EEG و MEG (مگنتوانسفالوگرام ) روشهاي زير ارائه شده اند[٣] [٥]،[٤]:
• تبديل ويولت
• آناليز مورفولوژيکي (بررسي شکل ظاهري موج )
• تطبيق الگو(template matching)
• پيش بيني زمان حمله با استفاده از اطالاعات موجود در سيگنال ثبت شده ( predictive filtering)
• آناليز هاي زمان -مکاني
روش اول از تبديل ويولت که يک بازنمايي زمان -فرکانسي از سيگنال ارائه مي دهد، استفاده مي کند. که داراي دو ويژگي مهم است : (الف ) يک وضوح بهينه از سيگنال در دو حوزه زمان و فرکانس و (ب ) مناسب جهت سيگنالهايي که غير ايستا و يا شبه ايستا ميباشند. روش دوم از توصيف ظاهري شکل موج ضربه استفاده مي کند. اطلاعات مورفولوژيکي، ويژگيهايي از شکل موج مانند تيزي، دامنه ، بازه و تحدب هستند. در روش تطبيق الگو از اطلاعات اوليه درباره شکل موج ضربه استفاده مي شود. پاسخ يک فيلتر تطبيقي FIR با يک آستانه از پيش تعيين شده که بر حسب ميزان حساسيت تنظيم ميشود مقايسه شده و بر مبناي آن ،وجود و يا عدم وجود علائم صرعي مشخص ميگردد. از روشهاي پيش بيني نيز به صورت تک کاناله و چند کاناله براي آشکارسازي ضربه ها، با فرض ايستان بودن مقطعي فعاليت پيش زمينه استفاده شده است . در اين روش وجود ضربه هاي بين حمله اي موجب نا ايستاني سيگنال ميشود و به اين ترتيب امکان آشکارسازي آن وجود دارد.روشهاي زمان -مکاني روشي است که از اطلاعات زمينه اي زماني و مکاني (بين همه کانالها) براي آشکارسازي فغاليتهاي گذرا هاي صرعي استفاده مي کند. يکي از اين روشهاي زمان -مکاني، آناليز مولفه هاي مستقل است که تا کنون بارها براي پردازش سيگنالهاي EEG و MEG به کار رفته است .
٢- داده هاي استفاده شده
داده هايي را که در اين مقاله استفاده نموده ايم ، در مرجع [٨] بطور کامل توضيح داده شده است . که براي عموم قابل دسترس ميباشد. اين مجموعه داده ها شامل ٥ مجموعه داده ميباشد،که هريک شامل ١٠٠ سيگنال تک کاناله
٢٣.٦ ثانيه ميباشد. هر يک از.مجموعه هاي A وB از ٥ داوطلب سالم با چشمهاي باز وبسته ، بصورت سيگنال
EEG سطحي ثبت شده است . سيگنالهاي دو مجموعه بعدي از ٥ بيمار در حالت seizure-free در ناحيه مولد صرع (D) و از قسمت هيپوکامپي نيم کره مخالف مغز (C) ثبت شده است . مجموعه E شامل فعاليت صرعي است که در حين بروز حمله صرعي ثبت شده است . مجموعه هاي A وB بطور سطحي اندازه گيري شده اند در حاليکه مجموعه هاي D,C وE بطور داخلي ثبت شده اند. همه سيگنالهاي EEG با يک سيستم ١٢٨ کاناله يکسان ثبت شده بودند.
همچنين از يک فيلتر ميانگذر ٠.٥٣- Hz ٤٠ وفرکانس نمونه برداري Hz ١٧٣.٦١ استفاده شده است .
٣- استخراج ويژگي
يکي از مهمترين مراحل هر مساله دسته بندي، يافتن ويژگيهايي است که بتوان بر اساس آنها بين دسته هاي مختلف تمايز قائل شد. که در اين تحقيق با استفاده از تبديل ويولت و نماهاي لياپانوف به استخراج ويژگي پرداخته ايم [١],[٦].
٣-١- تبديل ويولت
تبديل ويولت يک بازنمايي زمان -فرکانسي از سيگنال ارائه ميکند که داراي دو ويژگي مهم است : (الف ) يک وضوح بهينه از سيگنال در دو حوزه زمان و فرکانس و (ب ) مناسب جهت سيگنالهايي که غير ايستا و يا شبه ايستا مي باشند.
اين تبديل را ميتوان به صورت کانولوشن سيگنال و تابع ويولت به شکل زير نمايش داد[٣]:
که نسخه انتقال و تغيير مقياس يافته ويولت مادر مي باشد:
که در آن b,a به ترتيب پارامتر هاي مقياس و انتقال هستند. تبديل ويولت ، سيگنال را به مقياسهاي مختلف تجزيه ميکند به طوريکه مقدار آن در جايي از مقياس و زمان که بيشترين شباهت بين تابع ويولت و سيگنال موجود است ماکزيمم مي شود.
اگر پارامتر هاي b,a مقاديري پيوسته باشند تبديل ، يک تبديل ويولت پيوسته است . اگر اين دو پارامتر به شکل زير گسسته سازي شوند:
که در آن k,j مقاديري صحيح هستند، تابع ويولت نيز به شکل زير گسسته سازي مي شود:
که پايه تبديل ويولت گسسته (DWT) مي باشد.DWTمي تواند يک سيگنال رابه باند هاي فرکانسي متعددي تجزيه سازد، به اين صورت که هر مرحله از تجزيه شامل دو بخش تخمين و جزئيات ميباشد. اين عمل تجزيه به باندهاي فرکانسي را ميتوان به صورت گذراندن سيگنال از فيلترهاي بالاگذر و پايين گذر متناسب با يکديگر در حوزه زمان دانست .
• استخراج ويژگي: ضرايب ويولت
يک مساله در(DWT ) اين است که يک سيگنال تا چند مرحله نياز است که تجزيه گردد. يک روش عمومي، انتخاب تعداد اين مراحل بر مبناي محتواي فرکانسي سيگنال مي باشد. با توجه به فرکانس نمونه برداري و پهناي باند سيگنالهاي ثبت شده و محتواي فرکانسي سيگنالهاي
EEG، تعداد مراحل تجزيه براي اين تحقيق ،٤ مرحله در نظر گرفته شده است .
مساله ديگر انتخاب نوع ويولت جهت انجام آناليز ويولت مي باشد. يک روش متداول ، مشاهده نتيجه هر ويولت پايه بر روي سيگنال و يا شباهت شکل ظاهري آن ويولت با سيگنال مي باشد.مثلاآيا ويولت هار (Haar) مي تواند اسپايکهاي صرعي را بهتر آشکارسازي کند و يا ويولتهاي خانواده دابشيز (Daubechies)که در اينجا ما از db2 استفاده نموده اي [٢].
مقادير ضرايب ويولت سيگنال جزئيات در ٥ مجموعه داده (A-E) همانطور که در شکل (١) به عنوان نمونه براي دسته هاي A وB نشان داده شده ، تفاوت فاحشي با يکديگر دارند بنابراين استفاده از اين ضرايب ، به عنوان ويژگي براي يک طبقه بندي کننده مفيد مي باشد.
شکل ١: ضرايب ويولت سيگنال جزئيات براي اولين سطح تجزيه (d١)
قطعه هاي EEG مجموعه A و B
٣-٢- نما هاي لياپانوف
رويکرد ديگري که به سيگنال EEG وجود دارد ديدگاه غير خطي و کياتيک بودن سيگنال است . با اين ديد بايد ابزارهاي توصيف کننده ديناميک و بستر جذب براي يک سيستم و سيگنال غير خطي کياتيک استفاده شود.
پارامترهايي که بيان کننده رفتار کياتيکي اند دوگونه هستند. دسته اول آنهايي هستند که بر ديناميک رفتارهاي کياتيکي تاکيد ميکنند مانند نماي لياپانوف (LE) اين دسته از پارامتر ها بيان کننده چگونگي سيستم در طول زمان و رفتار سيستم در مسير هاي نزديک به هم وقتي زمان زياد ميشود، ميباشد. دسته دوم تاکيد بر طبيعت هندسي مسير هاي حرکتي (Trajectory) در فضاي حالت دارد مانند بعد همبستگي(Correlation Dimenstion) در اين ديدگاه به سيستم اجازه داده ميشود تا در طول زمان مناسب در بستر جذب حرکت کند و سپس بعد هندسي بستر جذب بدست مي آيد و بررسي مي شود که آيا تمام اين فضا توسط سيستم پوشانده مي شود و يا خير .
در اين تحقيق از دسته اول که همان نماي لياپانوف مي باشد، به عنوان ويژگي استفاده مي شود[٦].
• استخراج ويژگي : نماي لياپانوف
اگر بزرگترين نماي لياپانوف در سيستم مثبت باشد رفتار سيستم کياتيک است . و مي توان از آن به عنوان ويژگي مناسب استفاده نمود. براي محاسبه اين نماها از الگوريتم ژاکوپين استفاده گرديده است . پس از محاسبات لازم ١٢٨ نما ي لياپانوف براي هر قطعه از داده EEG بدست آمده است . و همچنين نماهاي لياپانوف دراين مجموعه داده ها، همانطور که در شکل (٢)، به عنوان نمونه براي دسته هاي
Aو B، نشان داده شده اند با يکديگر تفاوت دارند. بنابراين ميتوان از نماي لياپانوف نيز به عنوان يک ويژگي مناسب استفاده نمود.
با توجه به حجم بسيار زياد داده هاي بدست آمده از ضرايب ويولت و نما هاي لياپانوف از يکسري خصلتهاي آماري ضرايب ويولت و نماهاي لياپانوف به عنوان ويژگي استفاده کرده ايم که عبارتند از:
١. ماکزيمم ضرايب ويولت براي هر سطح تجزيه و نما هاي لياپانوف در هر قطعه
٢. مينيمم ضرايب ويولت براي هر سطح تجزيه و نما هاي لياپانوف در هر قطعه
٣. ميانگين ضرايب ويولت براي هر سطح تجزيه و نماهاي لياپانوف در هر قطعه
٤. انحراف استاندارد ضرايب ويولت براي هر سطح تجزيه و نماهاي لياپانوف در هر قطعه
جدول (١) ويژگيهاي استخراج شده آماري را براي ٢ نمونه از ٢ دسته A وB نشان مي دهد. که شامل ٢٤ ويژگي براي هر دسته مي باشد.
