بخشی از مقاله
چکیده:
در این مقاله، روشی جدید به منظور تشخیص خودکار بیماری صرع، از آنالیز سیگنال های الکتروانسفالوگرافی - EEG - ارائه می شود. در این روش، سیگنال هایEEG با استفاده از روش تجزیه مد تجربیEMD و نمودار تفاضل مرتبه دوم - SODP - و برخی آنالیزهای آماری، تجزیه و تحلیل می شوند. روش EMD سیگنال هایEEG را به مجموعه ای از سیگنال های متقارن و باند محدود تجزیه می کند که به عنوان توابع مد ذاتی - IMF - نامیده می شود. آنالیز تفاضل مرتبه دوم از توابع مد ذاتییک نمودار بیضی شکل ایجاد می کند. در این مطالعه، هفت IMF اول از هر سیگنال EEG مورد بررسی قرار گرفته است. برای هر IMF، ویژگیهای مساحت بیضی، ماکزیمم و مینیمم دامنه، میانگین و انحراف معیار استخراج شده و به عنوان ورودی در طبقه بند بکار رفته است. از طبقه بند KNN، برای تفکیک سیگنال های صرعی از غیر صرعی استفاده شده است. نتایج طبقه بندی نشان می دهد که با دقت %98/2، حساسیت %98/9 و اختصاصیت %96/8 سیگنال های تشنج از غیر تشنج تفکیک شده است.
کلمات کلیدی
الکتروانسفالوگرافی، صرع، تجزیه مد تجربیEMD، نمودار تفاضل مرتبه دوم، طبقه بندی سیگنال EEG
-1 مقدمه
صرع، یک اختلال عصبی که بیش از 50 میلیون نفر در جهان را شامل می شود .[1] به طور معمول متخصصین مغز و اعصاب از روی مشاهده سیگنال EEG ثبت شده توسط دستگاه الکتروانسفالوگراف ، تشنج های صرعی را تشخیص می دهند که این کار در ثبت طولانی مدت ، بسیار وقت گیر است از این رو نیاز به تشخیص خودکار تشنج شد. همه روش های تشخیص خودکار به چهار دسته تقسیم می شوند - 1 :[2]در حوزه زمان - 2در حوزه فرکانس - 3حوزه زمان -فرکانس - 4 روش غیر خطی. Liu و همکاران از روش حوزه زمان برای جستجو الگوهای پریودیک EEG استفاده کردند .[3] در حوزه فرکانس، یک تکنیک رایج برای آنالیز سیگنال EEG، آنالیز طیفی با استفاده از روش تبدیل فوریه است .[4] روش حوزه زمان -فرکانس بر این واقعیت استوار است که سیگنال هایEEG، غیر ایستا هستند 6]،.[5یکی از روش های آنالیز حوزه زمان -فرکانس، تبدیل ویولت است. [7] Ocak از تبدیل ویولت گسسته - DWT - برای تشخیص خودکار تشنج استفاده کرده است. تحقیقات نشان می دهد که سیگنالهایEEG رفتار غیر خطی دارند .[7] پارامترهای غیرخطی مانند توان لیاپانف [8]، بعد همبستگی[9] و آنتروپی[10] برای آنالیز سیگنال EEG استفاده شده اند. تجزیه مد تجربیEMD که توسط Huang و همکارانش برای آنالیز سیگنال های غیر خطی و غیر ثابت ارائه شده یک تکنیک جدید است .[11] روش EMD، به طور تطبیقی سیگنال داده شده را به تعداد متناهی از توابع مد ذاتیIMF تجزیه می کند.
در این مقاله، در مرحله اول، روش EMD بر سیگنال EEG جهت استخراج IMFها پیاده سازی شده است. در هریک از IMFهای بدست آمده، روش تفاضل مرتبه دوم [12] - SODP - را اعمال کرده و نمودار مربوطه که بیضی شکل است را بدست می آوریم. مساحت بیضی در هر IMF به عنوان ویژگی استخراج شده است، علاوه بر این، برخی ویژگیهای زمانی مانند ماکزیمم و مینیمم دامنه در هرIMF، میانگین و انحراف معیار در هر IMF نیز به عنوان ویژگی استخراج شده است. نهایتا از طبقه بند KNN، جهت طبقه بندی الگوهای صرع از غیر صرع استفاده شده است.
-2 روش
-1-2 انتخاب داده ها
داده هایEEG استفاده شده در این مقاله از دانشگاه فرایبورگ آلمان [13] گرفته شده اند. تمامی مجموعه داده ها شامل سیگنال EEG برای هر دو افراد سالم و مبتلا به صرع را شامل می شود. مجموعه داده ها دارای پنج زیرمجموعه است که F و N و O و Z و S نامگذاری شده اند و هر کدام شامل 100 عدد سیگنال به طول 23/59 ثانیه با نرخ نمونه برداری173/61 HZ می باشد. زیرمجموعه یO و Z از ثبت EEG سطحی پنج داوطلب سالم به ترتیب با چشمان باز و بسته حاصل شده است. این مجموعه داده با استفاده از شیوه الکترودگذاری20-10 جمع آوری شده است. سیگنال ها در دو زیرمجموعه N - و - F در فواصل بدون تشنج از پنج بیمار صرعی از منطقه صرع - زیرمجموعه - F و ساختمان هیپوکامپ از نیمکره مقابل آن - زیرمجموعه ی - N ثبت شده است. زیرمجموعه یS، فعالیت تشنجی در تمامی مناطق نشان دهنده فعالیت تشنجی را شامل می شود. زیرمجموعه هایN و F و S درون جمجمه ای ثبت شده است. همه ی سیگنال هایEEG با سیستم 128 کاناله به کمک مبدل آنالوگ به دیجیتال 12 بیتی گرفته شده اند. در این مطالعه به منظور بررسی عملکرد روش پیشنهادی، سیگنال هایEEG در دو کلاس جدا طبقه بندی شده اند. زیرمجموعه هایN و F که شامل سیگنالهای بدون تشنج هستند در یک کلاس و زیرمجموعه یS که شامل داده های تشنجی هستند را در کلاس دیگر قرار داده ایم.
-2-2 روش تجزیه مد تجربی - EMD -
روش EMD، هر سیگنال x - t - غیر خطی و غیر ایستا را به تعداد متناهی از توابع مد ذاتیIMF تبدیل می کند. در این روش، سیگنال x - t - می تواند به صورت مجموع تعدادی مولفه نوسانی - سیگنالهای - IMF و یک باقیمانده، نمایش داده شود بطوریکه که m تعداد IMF و rmt سیگنال باقیمانده است. شرط آن که یک سیگنال، IMF باشد آن است که :
- 1 تعداداکسترمم ها - ماکزیمم و مینیمم ها - با تعداد عبور از صفرها در آن با هم برابر باشد یا حداکثر یک واحد با هم اختلاف داشته باشند.
- 2 میانگین پوش نقاط ماکزیمم محلی و مینیمم محلی سیگنال صفر باشد.
