بخشی از مقاله
خلاصه
صرع شایع ترین بیماری عصبی بعد از سکته مغزی است ،که به دلیل آشفتگیهای زودگذر مغز، بهطور ناخودآگاه و غیرقابلپیشبینی روی میدهد.روشهای متنوعی، به منظور پیشبینی دقیق وضعیت حملات صرع ارائهشده است که ناتوانی آنها در ایجاد یک بازنمایی مناسب و توانمند بوده است. در این مطالعه از شبکههای عصبی عمیق برای پیشبینی حمله صرع با استفاده ازآنالیز فعالیت الکتریکی قلب - ECG - بر روی پایگاه داده بومی متشکل از 8 بیمار ارائه شده است.
شبکههای عصبی عمیق گونه ای از ساختارهای عصبی ،که به علت داشتن بیش از یکلایهی مخفی، قادر به تعمیم دهی بهتر در مقایسه با شبکه عصبی سنتی هستند. 8 ویژگی HRV در حوزههای زمان، فرکانس و6 ویژگی با سعی و خطا توسط شبکه عصبی عمیق استخراج و برای پیشبینی به MLP دادهشده است. نتایج بهدستآمده نشان میدهد که روش پیشنهادی قادر است با متوسط حساسیت 99.37 ومتوسط خصوصیت 99.40 درصد حملات صرع را پیشبینی کند.
.1 مقدمه
صرع، شایعترین بیماری عصبی در کودکان و سومین بیماری عصبی شایع در بزرگسالان - پس از آلزایمر و سکته مغزی - است .[1] سن شروع این بیماری نیز از اهمیت خاصی برخوردار است بهطوریکه بروز صرع قبل از 6 ماهگی حاکی از ضایعات شدید مغزی هست. امروزه بیش از 50 میلیون نفر از مردم دنیا، که یک درصد جمعیت کل زمین را تشکیل میدهند، از صرع رنج میبرند [2]، که بیش از 30 درصد این بیماران در برابر دارو مقاوم هستند.صرع بهصورت مستقیم بر کیفیت زندگی انسان اثر میگذارد، بهعنوانمثال علوم شناختی بهخصوص اختلالات حافظه، صدماتی که مربوط به تشنج است یامثلاً بیماری روانی بالقوه که با انزوای اجتماعی همراه است .[3]
تاکنون روشهای مختلفی برای پیشبینی صرع از طریق سیگنال الکترواسفالوگرافی1 ارائهشده است. میتوان با در نظر گرفتن سیگنال EEG و شروع تشنجهای صرعی و بررسی سیگنال قبل از حمله2، پیشبینی صورت بگیرد، میری و نصرآبادی به دنبال ارائه روشی بودند، که بر اساس تئوری آشوب و رفتار غیرخطی، نقشهای بازگشتی، عبور از صفررا ارائه دهند .4]ویلیام[ سُن و همکارانش با ارائهی متدود پیشبینی صرع بر اساس همبستگی تأخیر فضایی و ماتریسهای کوواریانس از سیگنال EEG با مقیاس تأخیرهای متعدد را ارائه دادند و در این روش از کلاسبندی SVM استفاده کردند.[5]
زندی و همکارانش با استفاده از حالت عبور از صفر بهپیش بینی حالت خاصی از روش پیشبینی صرع پرداختند که از روش حرکت پنجره استفاده کردند 6]و.[7 در این تحقیق با بررسی دینامیک سیگنال EEG بر اساس فواصل زمانی عبور از صفرهای متوالی - عبور از مقادیر منفی به مقادیر مثبت - را موردبررسی قراردادند که مزیت عبور از صفر، مقاوم بودن در برابر نویز و آرتیفکت هست. در این مقاله 5 دقیقه قبل از تشنج را بهعنوان Preictal و 15 دقیقه بعد از حمله را که فاصلهی زمانی زیادی تا حمله دارد بهعنوان Interictal در نظر گرفته و از طریق مدل گوسی مخروطی - GMM - 3، شباهت یا عدم شباهت بهعنوان شاخصهای ترکیبی محاسبهشده و با حد آستانهی بیمار مقایسه میشود و در صورت مغایرت آمارمی بهعنوان پیشبینی صرع ایجاد میشود،
حساسیت این روش 88.34 درصد با نرخ پیشبینی غلط 0.155 و میانگین زمانی 22/5 را پیشبینی کردند .[7] استامولس و همکارانش مدل عصبی پیش از تشن ج را در ارتباط لوب تمپورال و فرونتال بررسی کردند و از ویژگی آنتروپی و استخراج ویژگی متقابل از دو رنج فرکانسی استفاده کردند 8]چِسی[ و همکارانش الگوریتمی بر اساس آنالیز خود بازگشتی1 و دستهبندی کننده ماشین بردار پشتیبان2 برای جداسازی اپیزودهای Preictal و Interictal - فاصله زمانی بین دو حمله پیدرپی - ارائه داده و توانستند بر روی پایگاه داده Freiburg به حساسیت 100% دست یابد .[9] در پژوهش دیگری با استفاده از تغییرات ویژگیهای عمومی و محلی سیگنال EEG که شامل همبستگی فاز بین کانالهای مختلف و همچنین نوسانات و مشتق سیگنال است، بهپیش بینی حملات صرعی پرداخته است.
این الگوریتم نیز بر روی پایگاه داده Freiburg حساسیت 95/4% را ارائه کرده است .[5] در الگوریتم دیگری نیز با استفاده از تبدیل والش-هادامارد و آنالیز طیفی مرتبه بالا به تشخیص اپیزودهای Preictal پرداختهشده و دقت 91/95% بهدستآمده است .[6] همچنین در الگوریتم ارائهشده در مقاله [7] با استفاده از رویکرد یادگیری تطبیقی حساسیت %73 و خصوصیت %67 در پیشبینی حملات صرعی بهدستآمده است. در اینگونه الگوریتمهای پیشبینی، یک طبقهبندی کننده خودکار و بلادرنگ میبایستی اپیزودهای Preictal و Interictal از سیگنال EEG را از یکدیگر متمایز کند. سیگنال EEG ضبطشده، ورودی این سیستم خودکار بوده و خروجی آن طبقهبندی بر اساس این است که سیگنال EEG به کدام مرحله Preictal و Interictal صرعی تعلق دارد.
در سالهای اخیر، آنالیز ضربان قلب 3 - HRV - برای تشخیص و پیشبینی حملات صرع، از اهمیت زیادی برخوردار شده است. قبل، بعد یا در هنگام حملهی صرع با افزایش ضربان قلب روبهرو هستیم به عبارتی حملات صرعمعمولاً باعث تغییر عملکرد ارادی ضربان قلب میشوند. در مقاله [10] با استفاده از بردار پشتیبان بر روی 5 بیمار تغییرات ضربان قلب را مورد تجزیهوتحلیل قرار داده، و توانسته 3 دقیقه قبل از وقوع تشنج صرع را پیشبینی کند، بهبهانی از سیگنال ECG، سیگنال HRV را استخراج و به روشهای آنالیز حوزه فرکانس، آنالیز حوزه زمان و آنالیز غیرخطی منحنی Poincare را تحلیل کرده و به حساسیت 61% در 5 دقیقه قبل از شروع تشنج در سیگنال رسیدند [11] .در مقاله [12] بر اساس بررسی سیگنال در حوزهی متغیر بازمان، فرکانس انتخابی، خطی و غیرخطی به حساسیت 75-80% دست پیداکردهاند.
در مقاله [13] با استفاده از نقطه فرآیند مدلهای غیرخطی دینامیک ضربان قلب با دقت 73/91% تشنج را پیشبینی کرده است. در مقاله [14] با تحلیل سیگنال در حوزهی فرکانس و زمان به حساسیت 91% تشنجهای صرعی را پیشبینی کردند. تا به امروز روشهای بسیاری در غالب پژوهشهای متعدد درزمینه ی حملات صرع صورت گرفته، ازاینرو برای رسیدن به جوابی پایدار و مطلوب، تمایل به ارائهی الگوریتم هوشمند و رو به رشد داریم.
در ایران به دلیل کمبود امکانات در مراکز ثبت داده از بیماران صرعی، بهخصوص برای طولانیمدت امکان اخذ داده، با مشکلاتی روبهرو است. طوری که ثبت داده، از استانداردهای خود خارجشده و درنتیجه پیشبینی زمان وقوع حملات صرع، در ایران کارایی تضمینشدهای ندارد. امروزه باوجود تلاشهای صورت گرفته، برای پیشبینی زمان وقوع حملات صرع، ما نیز سعی داریم تا با بهکارگیری روش جدید و در حین حال با هزینه محاسباتی کم، بتوانیم گامی مؤثر در این راستا برداریم. در این تحقیق از دادههای بومی استفاده کردیم، که راجع به آن، صحبت خواهیم کرد. استفاده از دادههای بومی، متخصصان را به ارائهی روشهای بومی امیدوارتر کرده است.
.2الگوریتم پیش بینی صرع
هدف از این مقاله، معرفی یک روش برای پیشبینی صرع از طریق آنالیز فعالیت الکتریکی قلب است و پیشبینی صرع تمایز بین حالتهای Interictal و Preictal هست. شکل1، بلوک دیاگرام پیشنهادی برای پیشبینی صرع بر روی سیگنال ECG را نشان میدهد، که در ادامه به توضیح مفصل آن خواهیم پرداخت.
