بخشی از مقاله
چکیده
تشنج مهم ترین نشانه بیماری صرع بوده و آنالیز دقیق آن از طریق انجام الکتروآنسفالوگرافی امکان پذیراست. سیگنال الکتروآنسفالوگرام نقش بسزایی در تشخیص بیماری صرع ایفا می کند. هدف این پژوهش آشکارسازی تخلیه های صرعی از سیگنال الکتروانسفالوگرام در کمترین زمان ممکن و در نتیجه تشخیص حملات با استفاده از داده های مغزی ثبت شده از افراد سالم و مبتلا به صرع میباشد.
در این مقاله از انحراف معیار و قدرت طیفی سیگنال حاصل از تجزیه ویولت به عنوان ویژگیهای اصلی و از یادگیری نیمه نظارتی و شبکه عصبی مصنوعی چند لایه به عنوان طبقه بند استفاده شده است. استفاده از این روش برای مواردی که داده های برچسب نخورده با تعداد زیاد و داده های برچسب خورده کم می باشند، که در حوزه پزشکی معمولا این شرایط وجود دارد، مناسب میباشد. مقایسه بین عملکرد دو طبقه بند نیمه نظارتی و باناظر نشان می دهد که با ویژگیهای استخراج شده، طبقه بند نیمه نظارتی از نظر درصد صحت تشخیص با طبقه بند باناظر برابری می کند.
.1 مقدمه
بیماری صرع ناشی از اختلال در سیستم عصبی مرکزی مغز است که باعث تشنج های مکرر در فرد میشود. تشنج یک ناهنجاری ناگهانی در فعالیت الکتریکی نورونهای مغز است که علائم مختل کننده ای همچون فراموشی حافظه و هوشیاری، توهم حواس یا تشنج تمام بدن را به دنبال دارد. صرع تنها یک علت ندارد، اما مجموعه ای از علائم در تشنج های مکرر مشابه اند. صرع ممکن است نتیجه یک جهش در مکانیزم مولکولی باشد که رفتار، انتقال یا سازماندهی عصبی را تنظیم می کند یا ناشی از آسیب های مغزی همچون یک ضربه شدید به سر، سکته، عفونت مغزی یا یک تومور بدخیم مغزی باشد.
در بیشتر موارد دلیل نامشخص است، اما صرع در برخی افراد به دلیل آسیب مغزی، سرطان مغز، و سوء مصرف دارو و الکل و دلایل دیگر ایجاد میشود. حملات صرعی نتیجه فعالیت سلولی بیش از حد و غیر عادی عصب کورتیکال یا غشایی در مغز است.[1] حدود 1 درصد از جمعیت مردم جهان 65 - میلیون نفر - صرع دارند.[2] در زیرمجموعه ای با شرایط بدتر، از هر سه نفر دچار صرع یک نفر با وجود درمان توسط یک یا چند داروی آنتی-صرع، دچار تشنج های غیر قابل پیشگویی و تکرار شونده می گردند. این نوع تشنج ها از لحاظ پزشکی به عنوان تشنج های سخت درمان شناخته می شوند.
مهمترین پیامد تشنج ها این است که احتمال تجربه سوختن، پارگی و شکستگی جمجمه و اتفاقات غیر منتظره ای چون مرگ را در آن ها افزایش می دهد. اثر منفی تشنج های غیر قابل کنترل، تاثیر آن بر روی افراد خانواده، دوستان و تمام اجتماع است. خانواده و دوستان فرد، برای اطمینان از سلامتی زندگی او، دچار تشویش و اضطراب می شوند. موارد ذکر شده ضرورت ایجاد یک درمان جدید برای کنترل بهتر تشنج ها را مشخص می کند که هم به فرد و هم به خانواده او برای مقابله با اثرات تشنج کمک کند.
در ادامه مقاله ابتدا پژوهش های مرتبط با تشخیص صرع بیان شده و سپس چگونگی مراحل پردازش سیگنال EEG مطرح میشود. در بخش چهارم دادههای استفاده شده در پژوهش به طور مفصل توضیح داده میشود و در بخش پنجم ویژگیهای استخراج شده از سیگنال EEG شرح داده می شود و در بخش ششم طبقه بندهای پژوهش معرفی میشوند و سپس ارزیابی نتایج انجام میشود. در انتها هم جمعبندی بحث ارائه خواهد شد.
.2 پژوهشهای مرتبط
یکی از ساده ترین آشکارسازهای وقوع تشنج توسط Gotman در سال 1982 گسترش یافت. الگوریتم Gotman فعالیت های ریتمیک هماهنگ را از میان سیگنال های EEG به عنوان علائم تشنج جستجو میکرد.[3] تحقیقات به سمت استفاده از فعالیت های ریتمیک شرکت کننده در تشنج حرکت کرد. یک مثال از چنین کوششی، آشکارساز تشنج Reveal بود که توسط Wilson گسترش یافت.[3] بعد از آن یک آشکارساز شروع تشنج غیر خاص هر بیمار توسط Saab ارائه شد.[4] الگوریتم Saab از تجزیه ویولت برای استخراج ویژگی از ایپاک های کانال های EEG و تخمین احتمال وقوع تشنج استفاده می کرد.
Qu اولین الگوریتم آشکارسازی شروع تشنج خاص بیمار را ارائه داد. الگوریتم از طبقه بند نزدیک ترین همسایگی برای ارجاع یک لیست از ویژگیها یا بردار ویژگی به کلاسهای تشنج و غیر تشنج استفاده می کرد. با مقایسه کار Saab و [5] Quکه بر اساس رویکرد خاص هر بیمار پیاده شده بودند، نشان داده شد که یک رویکرد خاص هر بیمار حساسیت و دقت را افزایش می دهد، اما لزوما دوره عکس العمل را بهبود نمی دهد.
اخیرا Shoeb یک سیستم آشکارساز شروع تشنج خاص بیمار ارائه داد.[6] الگوریتم او از ویژگیهای استخراجی در باند فرکانسی 0-25HZتوسط یک فیلتر بانک 3HZ و از طبقه بندی SVM جهت طبقه بندی ویژگیهای استخراجی در دو کلاس تشنج و غیر تشنج استفاده می نمود.[7] Meier نیز یک سیستم آشکارساز شروع تشنج خاص بیماری ارائه داد. [8] او تشنجات را در یک پایگاه داده 6 دسته ای مبتنی بر فرکانس غالب ریتم که در زمان شروع تشنج ظاهر می شد، گروه بندی کرد.
سپس مجموعه SVM را برای هر نوع تشنج آموزش داد تا بتواند تعیین کند بردار استخراجی از یک ایپاک EEG سازگار با یکی از انواع تشنج هاست یا خیر. پیش بینی زمان وقوع حملات صرع در بیماران از جمله موضوعاتی است که مورد توجه محققان قرار گرفته است. حملات صرع به طور نامنظم و غیر قابل پیش بینی شده ای اتفاق می افتند. بنابراین تشخیص حملات صرع از روی سیگنال های EEG که در بازه زمانی طولانی گرفته می شوند؛ بسیار حائز اهمیت است.
فرآیند تشخیص به دو مرحله مجزای استخراج ویژگی ها از قطعات سیگنال EEG و اعمال الگوریتم طبقه بندی بر روی بردارهای ویژگی تقسیم می شود. در این پژوهش در مرحله اول با استفاده از تحلیل زمان-فرکانس بر روی قطعات سیگنال EEG و به دست آوردن صفحه زمان- فرکانس هر قطعه، استخراج ویژگی ها از سیگنال ها انجام می شود. در مرحله دوم با استفاده از الگوریتم شبکه عصبی مصنوعی و روش یادگیری نیمه نظارتی Self Training کار تشخیص حملات صورت می گیرد.
.3 مراحل پردازش
مراحل پردازش سیگنال EEG را می توان به چند بخش تقسیم کرد: ثبت سیگنال، مرحله پیش پردازش، استخراج ویژگی، طبقه بندی و ارزیابی. مرحله ثبت سیگنال EEG شامل انتخاب کانال ها و نحوه ثبت آنها است که معمولاً مطابق استاندارد 10-20 انجام می پذیرد.
در مرحله پیش پردازش متناسب با نوع کاربرد، مراحل مختلفی انجام می پذیرد که از جمله معمول ترین آنها شامل مراحل زیر است : سیگنال ثبت شده فیلتر می شود و بعد از آن زیر باندهای آلفا، بتا، تتا و دلتا از آن استخراج می شود. مرحله دیگری که معمولا در پیش پردازش سیگنال EEG در نظر گرفته می شود تقسیم کردن زمانی سیگنال است به قطعاتی با طول برابر که در مرحله بعد برای هر قطعه ویژگی هایی استخراج می شود.
.4 داده های استفاده شده در پژوهش
دادههای استفاده شده در این پژوهش در مرجع - - 9 آمده است. این داده های استاندارد مربوط به دانشگاه بن آلمان است و برای عموم در دسترس می باشد. این دیتاست شامل 5 مجموعه داده است، که هر یک شامل 100 سیگنال تک کاناله 23/6 می باشد . هر یک از مجموعه های A و B از 5 داوطلب سالم با چشم های باز و بسته ، به صورت سیگنال EEG سطحی ثبت شده است. سیگنال های دو مجموعه بعدی از 5 بیمار در حالت Seizure - free در ناحیه مولد صرع - D - و از قسمت هیپوکامپی نیمکره مخالف مغز - C - ثبت شده است.
