بخشی از مقاله
چکیده
صرع یک بیماری عصبی است که بواسطه حملات ناگهانی میتواند موجب جراحت فیزیکی یا حتی در مواردی موجب مرگ مبتلایان شود. سیگنال الکتروانسفالوگرافی - EEG - نقش مهمی در تشخیص صرع ایفا میکند و به واسطه بررسی و مطالعه سیگنال EEG امکان تشخیص بیماری وجود دارد. در این مقاله، از ترکیب الگوریتم بهینهسازی سیستم صفحات شیبدار - IPO - و شبکه عصبی پرسپترون چند لایه - MLP - به عنوان روشی نوین جهت تشخیص و طبقهبندی هوشمند سیگنالهای صرعی و سالم از یکدیگر بهره گرفته شده است. در روش پیشنهادی، با استفاده از تبدیل ویولت گسسته و سپس محاسبه پارامتر طول خط برای هر زیرسیگنال حاصله از تبدیل ویولت، ویژگیهای هر سیگنال استخراج و به عنوان ورودی به شبکه عصبی در نظر گرفته میشود. سپس وزنهای بهینه برای شبکه عصبی توسط الگوریتم IPO تخمین و به شبکه اعمال میشود.ساختار پیشنهادی با میانگین زمان سپریشده 17/03 میلی ثانیه به ازای درصدهای متفاوتی از دادههای آموزش، دقت %100 را برای طبقهبندی دادههای آموزش و آزمون نشان میدهد. نتایج تجربی بیانگر دقت مطلوب و چشمگیر شبکه عصبی بهینه در طبقه-بندی اسپایکهای صرعی از سیگنال EEG است که قادر به شناسایی دقیق سیگنالهای سالم و صرعی از یکدیگر است.
کلمات کلیدی:الکتروانسفالوگرافی، سیگنالهای صرعی، تبدیل ویولت گسسته، شبکه عصبی پرسپترون چندلایه، طبقهبندی، الگوریتم بهینهسازی سیستم صفحات شیبدار.
-1 مقدمه
صرع1 یک اختلال عصبی رایج است که در حدود %1 از مردم دنیا را تحت تاثیر قرار داده است .[1] تشنجهای صرعی2 با فعالیت الکتریکی غیر عادی در مغز به وقوع میپیوندند و باعث ایجاد حرکتهای غیرعادی و کاهش احساس درک و آگاهی فرد بیمار شده و طبعا بر زندگی فردی و اجتماعی فرد تاثیر منفی خواهند گذاشت. با این وجود اگر صرع به موقع و دقیق تشخیص دادهشود، در %75 از موارد میتوان آن را درمان کرد - بوسیله دارو و یا عمل جراحی - .[2] یکی از روشهای موجود جهت تجزیه و تحلیل دقیق سیگنال-های مغزی، انجام الکتروانسفالوگرافی 3 - EEG - است. مزیت الکتروانسفالوگرافی نسبت به سایر روشها، هزینه پایین آن است، همچنین ثبت نوار مغزی معمولا آزمایشی بیخطر و بدون عوارض جانبی برای بیمار است.
با این وجود حجم بالای اطلاعات ذخیره شده در این روش، مشکلات بسیاری را برای پزشک معالج ایجاد میکند. بدین جهت روشهای تشخیص خودکار صرع با استفاده از تحلیل سیگنال EEG توسعه یافتهاند.مهمترین روش تشخیص بیشتر انواع صرع، شناسایی علائم صرعی در سیگنالهای EEG است که به صورت امواج گذرا با دورههای زمانی مختلف و کوتاه در آن ظاهر میشود. این امواج به انواع مختلفی نظیر اسپایک - spike - ، موج تیز 1 و غیره تقسیمبندی میشوند که تشخیص آنها حتی برای پزشکان با تجربه مشکل است. لذا آشکارسازی4 و تفکیک هوشمند و بهینه آنها با استفاده از دانش پردازش سیگنال و تکنیکهای طبقهبندی5 هوشمند، کمک شایانی را به پزشکان برای تشخیص و درمان انواع صرع می-کند.
در این مقاله روشی جدید مبتنی بر ترکیب شبکه عصبی مصنوعی 6 - ANN - و الگوریتم ابتکاری بهینهسازی سیستم صفحات شیبدار 7 - IPO - [3] که بر پایه دینامیک حرکت توپها بر روی صفحات شیبدار بدون اصطکاک است، ارائه شده است. در روش پیشنهادی، در مرحله طبقهبندی، وزنهای شبکه عصبی به وسیله الگوریتم IPO به صورت بهینه تعیین می-شوند. در ساختار پیشنهادی، با استفاده از تبدیل ویولت گسسته 8 - DWT - و سپس محاسبه پارامتر "طول خط"9 برای هر زیر سیگنال حاصله از تبدیل ویولت، ویژگیهای10 هر سیگنال استخراج و به عنوان ورودی به یک شبکه عصبی پرسپترون چند لایه 11 - MLP - در نظر گرفته میشود.
ساختار پیشنهادی به ازای درصدهای متفاوتی از دادههای آموزش، برای طبقهبندی دادههای آموزش و آزمون مورد ارزیابی قرار میگیرد. نتایج و پیادهسازیها در جهت نمایش کارآیی و اثربخشی روش پیشنهادی در طبقهبندی اسپایکهای صرعی از سیگنال EEG ارائه میشوند.پیکربندی این مقاله بدین صورت است که در بخش 2 برخی از کارهای انجام شده در زمینه مرتبط با پژوهش جاری مرور میشوند. در بخش 3 توضیح مختصری از شبکه عصبی همراه با الگوریتم ابتکاری IPO آورده شده است. روش و ساختار پیشنهادی در بخش 4 به تفصیل توضیح داده شده است. نتایج پیادهسازیها در بخش 5 و نتیجهگیری، پایانبخش مقاله میباشد.
-2 مرور کارهای قبلی
تاکنون روشهای متفاوتی در زمینه تشخیص خودکار صرع استفاده شده است. مرجع [4]، با استفاده از تبدیل ویولت گسسته ویژگیهای هر سیگنال استخراج شده و با بهرگیری از طبقهبند 12ME سیگنالها به دو نمونه سالم و صرعی جدا شدهاند. در [5]، تزالاس و همکاران از توزیع زمان - فرکانس شبه واینر ویل جهت استخراج ویژگی بهره بردهاند. در مرحله بعد با استفاده از روش 13PCA ابعاد ویژگی را کاهش داده و در نهایت با یک شبکه عصبی مصنوعی به تشخیص سیگنالهای سالم و صرعی اقدام نمودهاند. در [2]، از تبدیل ویولت تعمیم یافته گسسته جهت استخراج ویژگیهای سیگنال EEG بهره گرفته شده است.
سپس با استفاده از الگوریتم زیستی14 بهترین ویژگیها را انتخاب و در نهایت با استفاده از طبقهبند 15LVQ به طبقهبندی سیگنال-های سالم و صرعی از یکدیگر پرداخته شده است. گو و همکاران در [6] با استفاده از پارامتر طول خط و شبکه عصبی به طبقهبندی سیگنالهای صرعی و سالم پرداختهاند. پژوهش انجام شده در [7] نیز روشی را پیشنهاد میدهد که در آن از تبدیل ویولت و الگوریتم K-means ویژگی هر سیگنال استخراج شده و جهت طبقهبندی به ورودی یک شبکه عصبی داده شدهاند.در [8]، یالچین و همکاران با استفاده از یک شبکه عصبی و آموزش آن به وسیله الگوریتم بهینهسازی گروه ذرات 16 - PSO - به تشخیص صرع اقدام نمودهاند.
دیمان و همکار در [9]، از روش تعمیمیافته تبدیل ویولت جهت استخراج ویژگی و الگوریتم زیستی جهت انتخاب ویژگی بهره بردهاند. در مقاله [9] یک طبقهبند 17SVM سیگنالهای الکتروانسفالوگرافی را به دو دسته سالم و صرعی جدا میکند. در [10]، با بهرهگیری از تبدیلات هیلبرت18 و ویولت جهت استخراج ویژگی، با طبقهبند 19KNN، برای یکسری از دادههای مفروض دقت مطلوبی حاصل شده است. کری و همکاران در [11]، با تعریف معیار مقدار پیشگویانه مثبت 20 - PPV - جهت ارزیابی عملکرد الگوریتم آشکارساز اسپایک صرع شبکه عصبی 21 - NNESD - ، ارزیابی مطلوبی را از دقت طبقهبندی نشان دادهاند.
در نهایت در [12]، پژوهشگران با استفاده از تبدیل S بهینه به عنوان ابزار تحلیل فرکانس-زمان در آشکارسازی سیگنال-های صرع به میانگین دقت بالای 90 درصد رسیدهاند. در کارهای مشابه دیگر نیز [13-22]، از راهکار متفاوتی در این زمینه استفاده و نتایج مطلوبی گزارش شده است. با برآورد کلی کارهای انجام شده قبلی در حوزه تشخیص صرع از سیگنال EEG، میتوان گفت در پژوهشهای مذکور گونههای متفاوتی از تکنیکها و روشهای مؤثر همراه با طبقهبندهای متنوعی بکار گرفته شدهاند. در تحقیق حاضر نیز سعی در بهرهگیری از تکنیکی مؤثر برای استخراج ویژگی و اعمال به یک طبقهبند بهینه و قدرتمند جهت تشخیص است.
-3 طبقهبندی هوشمند
در این بخش، ابتدا بیان مختصری از شبکه عصبی مصنوعی به عنوان یک طبقهبند رایج و سپس خلاصهای از الگوریتم ابتکاری IPO آورده میشود.
-1-3 شبکه عصبی مصنوعی - ANN -
شبکههای عصبی مصنوعی نوعی مدلسازی از سیستمهای عصبی واقعی هستند که کاربرد فراوانی در طبقهبندها دارند. یکی از ویژگیهای شبکه عصبی مصنوعی در این است که میتوان آن را به گونهای آموزش داد که نسبت به نمونههای جدید واکنش مناسبی از خود نشان دهد. در یک نمونه ساده، مدل یک عصب شامل ورودیهایی است که اطلاعات از طریق آنها وارد میشود. سپس این ورودیها در وزنهایی ضرب میشوند تا ارزش هر ورودی تعیین شود. در نهایت یک تابع تصمیم، بر روی مجموع وزندار ورودی-های نرون22، اعمال شده و خروجی را مشخص میکند.با ترکیب چند نرون و اتصال مناسب آنها به یکدیگر میتوان یک شبکه عصبی مصنوعی کارآمد را تشکیل داد. یکی از سادهترین و در عین حال کارآمدترین چیدمانهای پیشنهادی برای استفاده در مدلسازی عصبهای واقعی، شبکه عصبی پرسپترون چند لایه است.
شبکههای پرسپترون چند لایه از نوع شبکههای پیشخور23 هستند که یکی از پرکاربردترین مدلهای شبکه-های عصبی مصنوعی به شمار میروند. سادهترین نوع این شبکهها شامل یک لایه ورودی24، یک لایه پنهان25 و یک لایه خروجی26 است، به نحوی که ورودیها به نرونهای لایه ورودی داده شده و نتیجه حاصله از نرونهای لایه خروجی دریافت میشود. در این نوع از شبکههای عصبی، هر نرون در هر لایه به تمام نرونهای لایه قبل متصل است. یکی از مشکلات شبکههای عصبی تعیین وزنهای مناسب اتصالات بین نرونها است. روشهای متعددی بدین منظور استفاده شدهاند که معروفترین آنها روش پس انتشار خطا27 است. با این وجود یکی از کارآمدترین روشها جهت تعیین وزنهای MLP، استفاده از الگوریتمهای ابتکاری و هوش مصنوعی میباشد .[8]
-2-3 الگوریتم بهینه سازی صفحات شیبدار - IPO -
الگوریتم IPO، الگوریتمی ابتکاری و هوشمند است که همانند سایر روشهای ابتکاری و هوش جمعی از طبیعت و قوانین حاکم بر آن الهام گرفته است. ایده مورد استفاده در الگوریتم IPO نحوه حرکت دینامیکی اجسام کروی - توپها - بر روی سطوح شیبدار بدون اصطکاک است. همانطور که در طبیعت نیز مشاهده میشود، اجسام موجود بر روی یک سطح شیبدار تمایل دارند تا به سمت پایینترین نقطه سطح حرکت کنند. حال اگر اصطکاک را در نظر نگیریم - سطح بدون اصطکاک - ، اجسام به سمت پایینترین نقطه به حرکت در میآیند. در این الگوریتم به هر توپ یک ارتفاع نسبت داده میشود که این ارتفاع بر اساس تابع برازندگی هر توپ که جوابی ش دنی از مسأله است به دست میآید. شکل - 1 - نمونهای از فضای جستجو با سه توپ را نشان می-دهد.موقعیت توپها نیز با الهام از قوانین حرکت و فرمول دینامیک حرکت با شتاب ثابت، مطابق فرمول - 1 - بهروز رسانی میشوند:که در آن، rand1 و rand2 دو عدد تصادفی در بازه 1]و[0 هستند که به صورت یکنواخت توزیع شدهاند، - - شتاب توپ i در زمان t در بعد d، - - سرعت توپ i ام در بعد d ام و در زمان t و k1 و k2 نیز دو ضریب جهت کنترل فرآیند کاوش28 و بهرهوری29 الگوریتم میباشند. [3]
-4 راهحل پیشنهادی
در این بخش، ملاحظات مربوط به پیادهسازیها همراه با توضیح روش پیشنهادی بیان میشود.
-1-4 دادههای پژوهش
در این مقاله از دادههایی که به صورت رایگان توسط آندژیاک و همکاران [23] بر روی اینترنت قرارگرفته، استفاده شده است، این پایگاه داده شامل 5 گروه - Z، O، N، F و - S میباشد. هر گروه داده شامل 100 نمونه تک کاناله از سیگنال EEG با طول 23/6 ثانیه با نرخ نمونه برداری 173/61 هرتز است که از سیگنالهای الکتروانسفالوگرافی پیوسته جدا شدهاند. گروه Z و O به ترتیب شامل نمونههای افراد سالم در حالت آرامش با چشمهای باز - Z - و چشمهای بسته - O - است. گروهای N و F نمونههای ضبط شده از بیماران در فواصل حملات صرع هستند. گروه S نیز شامل سیگنالهای الکتروانسفالوگرافی افراد در حین حملات صرع بوده که توسط دستگاه EEG ضبط شده است. تمام سیگنالهای مورد استفاده توسط سامانهای یکسان ضبط شده و با نرخ 173/61 نمونه بر ثانیه و دقت 12 بیت، گسستهسازی شدهاند. نمونهای از هر گروه در شکل - 2 - نشان داده شده است. در این مقاله از دادههای دو گروه سالم - Z - و صرعی - S - استفاده شده و سیستم پیشنهادی اقدام به طبقهبندی این دو گروه نموده است.
-2-4 استخراج ویژگی
به دلیل ماهیت ناایستای سیگنال EEG و با توجه به اینکه اطلاعات فرکانسی و زمانی زیادی در این سیگنالها نهفته است، در این مقاله از تبدیل ویولت گسسته به روش بانک فیلتر جهت استخراج اطلاعات فرکانسی و زمانی استفاده شده است. در روش بانک فیلتر، با استفاده از دو فیلتر بالاگذر H[n] و پایینگذر G[n]، سیگنال اصلی به زیرباندهایش تجزیه میشود. روش کار بدین صورت است که سیگنال اصلی به طور همزمان به دو فیلتر بالاگذر و پایینگذر اعمال میشود. خروجی فیلتر پایینگذر مجددا به دو فیلتر بالاگذر و پایینگذر داده شده و این امر تا حصول نتیجه نهایی تکرار میشود. در شکل - 3 - مثالی از تجزیه در دو مرحله به روش بانک فیلتر نشان داده شده است.در روش پیشنهادی از چهار مرحله تجزیه بهره گرفته شده است .[24] همچنین تابع ویولت مورد استفاده در این مقاله، تابع db2 میباشد. پس از چهار مرحله تجزیه، پنج زیرباند D1، D2، D3، D4 و A4 حاصل میشوند که هر کدام حاوی اطلاعات سیگنال در محدوده فرکانسی خاصی می باشند.
در مرحله بعد طول خط برای هر زیرباند محاسبه میشود. طول خط که از فرمول - 2 - محاسبه میشود، پارامتری ریاضی است که پیچیدگی یک سری را محاسبه کرده و به تغییرات فرکانس و دامنه سیگنال حساس است :[6]که در آن، x سیگنال مورد آزمون، i اندیس نمونههای سیگنال و N تعداد کل نمونههای سیگنال میباشند. فرمول - 2 - برای هر زیرباند D1، D2، D3، D4 و A4 محاسبه شده و مقادیر حاصله به عنوان ورودی به شبکه عصبی داده میشوند. بار محاسباتی سبک این پارامتر باعث افزایش سرعت محاسباتی میشود. بعلاوه استفاده از این پارامتر، تعداد ویژگیها را به نحو چشمگیری تقلیل میدهد. در جدول - 1 - مقادیر پارامتر طول خط برای یک نمونه از هر گروه سالم و صرعی نشان داده شده است.
