عنوان پایان‌نامه

تحلیل دوره های اسپایک در سیگنال موش مصروع به روش های تحلیل مبتنی بر مدل کلاسیک وبیزی



    دانشجو در تاریخ ۰۳ شهریور ۱۳۹۳ ، به راهنمایی ، پایان نامه با عنوان "تحلیل دوره های اسپایک در سیگنال موش مصروع به روش های تحلیل مبتنی بر مدل کلاسیک وبیزی" را دفاع نموده است.


    رشته تحصیلی
    مهندسی برق‌-کنترل‌
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2618;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 66952
    تاریخ دفاع
    ۰۳ شهریور ۱۳۹۳
    دانشجو
    سمانه اسمعیلی سهی
    استاد راهنما
    حمید سلطانیان زاده, بابک نجاراعرابی
    چکیده
    لینک فایل چکیده
    پیش‌بینی قابل اطمینان از حملات صرعی در پیاده سازی سیستم‌های هشدار دهنده تشنج از اهمیت ویژه ای برخوردار است. اگر چه شناسایی تشنج بر اساس سیگنال EEG ثبت شده نسبتا ساده می‌باشد، با این حال پیش‌ بینی این حملات در حال حاضر از موضوعاتی است که هم چنان تحقیق بر روی آن ادامه دارد. بر اساس دیدگاه نوروفیزیولوژی شواهدی وجود دارد که نشان دهنده ارتباط بین اسپایکهای موجود در EEG و صرع است، لیکن این نکته که آیا اسپایک‌ها پیش‌بینی-کننده بروز تشنج بوده و یا فرد را از تشنج محفاظت می‌کنند، هنوز مشخص نیست. این پایان‌نامه شامل دو بخش اصلی می‌باشد. در بخش اول با استخراج ویژگی از حوزه فرکانس و همچنین فاصله زمانی میان اسپایک‌های منفرد که با پیاده سازی الگوریتم تشخیص اسپایک‌های منفرد بدست می‌آیند، به مقایسه بازه‌های مربوط به اسپایک‌ پرداخته و نشان می‌دهیم که اسپایک‌های پیش از وقوع تشنج (اسپایک‌هایی که در بازه 1 ساعت پیش از تشنج رخ می‌دهند) و سایر اسپایک‌ها در ویژگی‌های استخراجی متفاوت می‌باشند و در نتیجه می‌توان انتظار داشت استفاده از اسپایک‌های موجود در EEG تشخیص و پیش‌بینی وقوع تشنج را بهبود بخشد. با توجه به توانایی HMM در توصیف دینامیک‌های پیچیده آماری و قابلیت انعطاف بالای آن نسبت به داده‌های نویزی، در بخش دوم از این مدل جهت پیش‌بینی وقوع تشنج استفاده می‌کنیم. یادگیری HMM با روش بیزی تغییراتی امکان مقایسه مدل‌های بر پایه داده را به شیوه اصولی فراهم می‌کند. بنابراین برخلاف مطالعات گذشته که تنها از مدل مارکف پنهان با 3 حالت پنهان (تشنج- پیش از تشنج- بین تشنج) جهت پیش‌بینی وقوع تشنج استفاده می‌شود، در این پایان‌نامه مدل‌های HMM به ازای تعداد حالت‌های مختلف محاسبه گردیده و بهترین مدل انتخاب می‌شود. با استخراج ضرایب ویولت مربوط به باند آلفا به عنوان ورودی در گام نخست و اضافه کردن قطار اسپایکی و ضرایب ویولت فرکانس‌ بالا به عنوان ابعاد دیگر درگام‌های بعدی، ضمن پیچیده‌تر شدن مدل‌های بدست آمده، سبب بهبود توانایی مدل در تشخیص و پیش‌بینی تشنج می‌گردد. بدست آمدن 5 حالت پنهان و هم‌چنین حالت متناظر با اسپایک در تمامی مدل‌ها نشان دهنده پیچیده‌تر بودن دینامیک‌های پنهان مغز در تشنج صرعی بوده و توانایی اسپایک‌ها را در تشخیص و پیش‌بینی وقوع تشنج نشان می‌دهد.
    Abstract
    The reliable prediction of epileptic seizures is important for implementing seizure-warning systems. While the detection of seizures based on EEG recordings is a rather simple task, their prediction is a current ongoing research topic. From the neurophysiological point of view there is evidence that so-called spikes in the EEG are related to seizures, but it is not clear if they are predictive or even protective of seizures. This thesis work is based on two main parts. In first part we extract features from frequency domain of the EEG and implement a spike-detection algorithm using supervised learning to obtain a label of the individual spikes in spike-periods for computing time interval of preceding individual spikes. We will show that Features extracted, show difference between seizure-preceding spike epochs (We treat all spike epochs in a 1h window before a seizure as seizure-preceding spike epochs) and other spike epochs and so they can be used for improving seizure prediction. As Hidden Markov Models can describe complex dynamical statistics and has high flexibility to the noise, we use this method in the second part for seizure prediction. By using the Variational Bayesian (VB) method instead of the Maximum Likelihood estimation, which is the method commonly used for training HMMs, we overcome data overfitting and make it possible to compare models with different model orders by means of the variational free energy, so unlike past studies which consider just 3 hidden states (ictal-preicta-interictal), in this thesis work, different number of hidden states are learnt and the best model is selected. For learning HMM on EEG data, first wavelet coefficients of EEG alpha sub-band is extracted and then spike train and wavelet coefficients of high frequency are added later as other dimensions of training data. Results show that adding spike’s features makes models more complex and also improve seizure prediction. As all the learnt optimal models have 5 hidden states, we conclude that there are more hidden dynamics in brain’s activity in addition to “preictal”, “ictal” and “interictal” states, which are somehow described by spike’s activity. Keywords: epilepsy, seizure, prediction, detection, Hidden Markov Model, Variational Bayesian method, wavelet transforms.