بخشی از مقاله
چکیده:
در این مقاله آنالیز سری زمانی سیگنال هایEEG به منظور تشخیص و طبقه بندی خودکار حملات صرع مورد بررسی قرار گرفته است. استخراج پارامترهایHjorth و همچنین استفاده از مدل خودبازگشتی می تواند ویژگیهای زمانی سیگنال هایEEG را بیان کنند. پارامترهایHjorth عبارتند از پارامتر فعالیت، پارامتر تحرک و پارامتر پیچیدگی. در این مطالعه با پنجره گذاری روی سیگنال در پنجرههای به طول 1365 سمپل 7/9 - ثانیهای - ، ویژگیهای فعالیت، تحرک و پیچیدگی و همچنین ضرایب مدل خودبازگشتی با مرتبه 11، از هر پنجره استخراج شده است. کارایی چهار طبقهبند به نامهایشبکه عصبی کوانتیزه کننده برداری - LVQ - ، شبکه عصبی احتمالاتی - PNN - ، همچنین آنالیز تفکیککننده خطی - LDA - و K نزدیکترین همسایگی - KNN - ، برای طبقه بندی الگوهای صرعی مقایسه شده است. نتایج این مطالعه نشان میدهدکه ویژگی های فوق قابلیت تفکیک حملات صرعی زمان کوتاه را از سیگنال های بدون تشنج دارا می باشند، همچنین طبقه بند KNN بهتر از سایر طبقه بندها با دقت %98/33 این عمل را انجام میدهد.
کلمات کلیدی
الکتروانسفالوگرافی، صرع، پارامترهایHjorth، مدل خودبازگشتی، طبقه بندی سیگنال EEG
-1 مقدمه
بیماری صرع، پس از ضربه مغزی اولین اختلال مهم مغزی در بین امراض مختلف است که طبق آمار سازمان بهداشت جهانی حدود 50 میلیون نفردر دنیا به آن مبتلا هستند .[1] تخلیه های الکتریکی غیر طبیعی و متناوب نرون ها که به صورت ناگهانی رخ می دهد، نوعی آشفتگی و بی نظمی در عملکرد مغز بوجود می آورد که صرع نام دارد. این حملات ممکن است موضعی و محدود به محل شروع باشد یا اینکه به سایر نقاط مغز گسترش یابد، از این رو بررسی سیگنالهایEEG کار آمدترین و متدوال ترین ابزاری تشخیص این حملات می باشد.
غالبا بدلیل مشخص نبودن زمان وقوع حمله، ثبت های طولانیEEG انجام می شود، پس تحلیل این داده ها بمنظور تشخیص صرع بصورت بصری بسیار دشوار است، زیرا ضربه ها و امواج تیزی که بین حمله های صری به ندرت رخ می دهد به راحتی ممکن است توسط پزشک نادیده گرفته شود، بدین خاطر است که در دو دهه گذشت تشخیص خودکار این بیماری بسیار توسعه یافته است. تشخیص این بیماری با توجه به نوع آن متفاوت خواهد بود، اما به طور کلی فرآیند تشخیص خودکار به منظورتفکیک سیگنال های صرعی از سیگنال های غیر صرعی شامل دو مرحله است : ابتدا ویژگی هایی از سیگنال EEG استخراج و محاسبه میشود، سپس این ویژگیها به عنوان وروردی در شبکه های عصبی که توسط الگوریتم های متفاوتی پشتیبانی می شوند، اعمال می شوند تا عمل تفکیک این سیگنالها با دقت مطلوبی صورت گیرد .
تحقیقات نشان داده است که مغز در هنگام وقوع حمله دچار تغییراتی در دینامیک خود می شود، از این رو عمده روش های تشخیص حملات صرعی نیز بر اساس تشخیص همین تغییر رفتار می باشد. تا کنون آنالیز سیگنالهایEEG به روش های گوناگونی از جمله آنالیز ویولت [2-5] انجام شده است. آنالیزهای غیرخطی نیز روش های پذیرفته ای برای تحلیل سیگنالهایEEG است. در [6] نشان داده شده است که نمایHurst میتواند دقت خوبی در تشخیص حملات صرعی داشته باشد. علاوه براین شاخص های انتراپی مانند انتراپی تقریبی و انتراپی نمونه نیز مکررا برای تحلیل سریهای زمانی سیگنال EEG استفاده شده اند .[7-10] معیار انتراپی جدیدی به نام انتراپی فازی نیز اخیرا معرفی شده است که بسیار دقیق تر از انتراپی تقریبی و انتراپی نمونه عمل می کند .[11] در تحقیقات مختلف انواع این ویژگیها برای تحلیل سیگنالهایEEG و تشخیص حملات صرع استفاده شده است و براساس طبقه بندهای مختلف، نتایج متفاوت حاصل شده است.
در این مقاله تشخیص الگوهای تشنج از غیرتشنج در بازه های زمانی کوتاه با استفاده از آنالیز سری زمانی سیگنالهایEEG و استخراج پارامترهایHjorth شامل شاخص فعالیت، تحرک و پیچیدگی انجام شده است. علاوه بر این با مدلسازی این سیگنال با مدل خودبازگشتی، ضرایب مدل را نیز به عنوان ویژگی معرفی کرده ایم. کارایی طبقه بندهای مختلف در این مقاله بررسی شده است.
-2 مواد و روش ها
-1-2 پایگاه داده
در این تحقیق از سیگنال های صرعی که در [12] شرح داده شده و برای استفاده عموم آزاد است، استفاده کرده ایم. سیگنال های مربوط به بیماران صرع در این پایگاه داده شامل سه زیر مجموعه داده به نام هایN، F و S می باشد. زیر مجموعه هایN و F شامل سیگنال هایEEG است که از پنج بیمار صرعی ولی در فواصل زمانی بدون تشنج اخذ شده اند. تفاوت این دو زیرمجموعه در محل اخذ سیگنال در جمجمه است، بطوریکه زیر مجموعه F از منطقه صرع و زیرمجموعه N از ساختمان هیپوکامپ در نیمکره مقابل مغز ثبت شده است. زیرمجموعه S شامل سیگنال هایEEGدرون جمجمه ای از همین افراد در حین حملات صرع است. هر یک از این زیرمجموعهها شامل 100 سیگنال به طول 23/59 ثانیه با نرخ نمونه برداری173/61 هرتز هستند. تمام سیگنال هایEEG با سیستم 128 کاناله به کمک مبدل آنالوگ به دیجیتال 12 بیتی گرفته شده اند. در این تحقیق، جمعا زیرمجموعه هایN و F در یک کلاس به عنوان کلاس غیرتشنج و داده های زیرمجموعه S کلاس دوم یعنی سیگنال های تشنج را تشکیل میدهد. بنابراین در این مطالعه، 200 سیگنال غیرتشنج و 100 سیگنال تشنج مورد بررسی قرار گرفته است. البته با قرار دادن سه پنجره بر روی هر سیگنال، تعداد سیگنال های تشنج به 600 نمونه و تعداد سیگنالهای غیرتشنج به 300 نمونه افزایش یافته است. در شکل 1، یک نمونه سیگنال تشنج و یک نمونه سیگنال غیر تشنج قبل از پنجره گذاری نمایش داده شده است.
شکل :1 الف-سیگنال EEG مربوط به بیمار صرعی در زمان هایبدون تشنج، سیگنال EEG مربوط به بیمار صرعی در زمان های تشنج.
-2-2 استخراج ویژگی
در این تحقیق به منظور تشخیص حملات صرعی زمان کوتاه، پنجره های زمانی به طول 1365 سمپل که معادل با 7/9 ثانیه از سیگنال میباشد را مورد آنالیز و بررسی قرار می دهیم. در هر پنجره، ویژگی هایHjorth که عبارتند از فعالیت، تحرک و پیچیدگی استخراج شده اند. پارامتر فعالیت، انرژی سیگنال را بازنمایی می کند و واریانس سیگنال است. پارامتر تحرک، M ، از رابطه زیر محاسبه می شود
-3-2 روش طبقه بندی
در این تحقیق از دو طبقه بند شبکه عصبی به نامهای شبکه عصبی کوانتیزه کننده برداری - LVQ - و دیگری شبکه عصبی احتمالاتی - PNN - ، همچنین آنالیز تفکیک کننده خطی - LDA - و K نزدیکترین همسایگی برای طبقه بندی الگوهای تشنج از غیر تشنج استفاده شده است. برای پیادهسازی این طبقه بندها از نرم افزار MATLAB استفاده شده است. 60 درصد از داده ها در هر کلاس را بطور تصادفی انتخاب کرده و برای آموزش و 40 درصد باقیمانده را برای تست طبقه بند استفاده می کنیم. همچنین به
منظور ارزیابی بیشتر این طبقه بندها از روش
استفاده میکنیم. در این روش تمام دادهها به جز یکی برای آموزش طبقهبند به کار می رود و با این یک داده طبقهبند تست می شود. این فرایند آنقدر تکرار میشود تا تمام دادهها یکبار به عنوان داده تست استفاده شوند.
-3 نتایج طبقه بندی
نتایج طبقه بندی بر اساس معیارهای حساسیت - Se - ، اختصاصیت - Sp - و دقت کل - Ac - ارزیابی شده است. هر یک از این معیارها با مفاهیمی چون تشخیص صحیح مثبت - TP - ، تشخیص صحیح منفی - TN - ، تشخیص مثبت کاذب - FP - و تشخیص منفی کاذب - FN - بیان میشوند. بر این اساس در زیر هر یک از این معیارها تعریف شدهاند:
در روابط فوق حساسیت معیاری از دقت تشخیص الگوهای تشنج است و معیار اختصاصیت، معیاری از دقت تشخیص الگوهای غیرتشنجی است. دقت کل معیاری از کل تشخیصهای صحیح است. در جدول 1 نتایج طبقه بندی با استفاده از چهار طبقه بند LVQ، PNN، LDA و KNN به ازای آموزش %60 از داده ها و
