عنوان پایان‌نامه
پیش بینی زمان وقوع حمله صرع از طریق آنالیز سیگنال EEG به روشهای خطی و غیر خطی
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1553;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 40738;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1553
- تاریخ دفاع
- ۲۹ بهمن ۱۳۸۷
- دانشجو
- سحر عظیم زادگان
- استاد راهنما
- سیدکمال الدین ستاره دان
- چکیده
- تا چندین دهه پیش، متخصصین اعصاب بر این باور بوده اندکه حمله صرعی فقط چند ثانیه قبل از نشانه های بالینی آن آغاز میشود. اما امروزه مدارک و اسناد علمی نشان داده اند که حمله صرعی از چند دقیقه تاچندساعت قبل ازنشانه های بالینی شروع می گردد. با پیشرفتهای صورت گرفته در زمینه پیش بینی حمله صرع میتوان نوید رسیدن به جایی را داد که با استفاده از دستگاههای مخصوص، بتوان هشدارهای لازم را قبل از وقوع حمله به فرد بیمار دادو همچنین وی را در مسیر درمان نیز یاری نمود. بعنوان نمونه ، درمانهایی مانند تحریک الکتریکی ویا تزریق منطقه ای دارو به هنگام نیاز ، موجب برطرف شدن اثرات جانبی دارو در بیمارانی می شود که برای مدت زیادی از داروهای مخصوص صرع استفاده می کنند. سیگنال الکتروانسفالوگرام را میتوان به عنوان سیگنال شاخصی که شامل اطلاعات مربوط به حالتهای مختلف مغزی می باشد، در نظرگرفت. بدین ترتیب که این اطلاعات، به نوعی در ویژگیهایی از این سیگنال نهفته است. از طرف دیگر از آنجاییکه سیگنالهای حیاتی به شدت وابسته به فرد بیمار هستند، علائم بیماری نیز می تواند در هر یک از آنها متفاوت باشد. بنابراین ویژگیهای استخراجی از سیگنال EEG یک بیمار که توسط رایانه تحلیل می شوند ، در تشخیص بیماری صرع و پیش بینی حملات مربوط به آن می توانند مفید واقع شوند. در این پایان نامه ابتدا به منظور جداسازی حالت پیش حمله ازحالت حمله ،کارایی پیش بینی معیارهای تک متغیره خطی نظیر واریانس، اسکیونس،کرتوسیس، توان نسبی باندهای مختلف طیف توان، فرکانس لبه طیف، پارامترهای پویایی وپیچیدگی هیورث و زمان Decorrelation و همچنین کارایی پیش بینی معیارهای تک متغیره غیرخطی نظیر بعد همبستگی موثر، بزرگترین نمای لیاپانوف، فلوی محلی، پیچیدگی الگوریتمی، اتلاف رخداد مجدد،جانشینهای تصحیح یافته بعدهمبستگی و پیچیدگی الگوریتمی را مورد بررسی قرار می دهیم و برای نمایش میزان دقت طبقه بندی معیارهای مذکور بر اساس حساسیت و صحت ، از منحنی مشخصه عملیاتی گیرنده(ROC) استفاده میکنیم که سطح زیر این منحنی میزان جداپذیری توزیع دامنه دو کلاس پیش حمله وحمله از یکدیگر را تعیین می کند. در ادامه نیز از ویولت برای تجزیه سیگنالEEG به زیرباندهای دلتا، تتا، آلفا، بتا و گاما استفاده میکنیم و از هریک از این زیرباندها، سه ویژگی انحراف معیار، بعد همبستگی و بزرگترین نمای لیاپانوف را استخراج می کنیم و نهایتا دقت طبقه¬بندی روشهای خوشه بندیk-means ، تحلیل مشخصه خطی با استفاده از فاصله اقلیدسی و فاصله ماهالونوبیس ، تحلیل مشخصه درجه دوم ،شبکه عصبی توابع پایه شعاعی و شبکه عصبی پس انتشار لونبرگ- مارکو را با یکدیگر مقایسه می کنیم تا به بیشینه میزان جداپذیری سه کلاس نرمال، پیش حمله و حمله از یکدیگر برسیم.
- Abstract
- Epilepsy is a common brain disorder characterized by intermittent abnormal neuronal firing in the brain which can lead to seizures. A pre-seizure warning can help the patient to be prepared for the seizure. Knowing when a seizure would occur, the medication can be used just in time to reduce the unwanted side effects. The patient’s EEG signal is known to contain much information about the occurrence of epileptic seizures and conveys enough information to predict an epileptic seizure. The information content of a signal can be summarized in a few features computed for that signal. Several features are suggested to represent information of an EEG signal with regards to occurrence of an epileptic seizure. A number of such features for each consequent segment of the EEG waveform can be calculated and fed to a classifier, which recognizes its input set of features to be either in the “pre-seizure” class, or in the “normal” or the “seizure” classes. For our comparison of different characterizing measures of the EEG, we employed a total of 19 different univariate measures comprising both linear and nonlinear approaches in terms of their ability to distinguish between the interictal period and the pre-seizure period.As univariate linear measures, we used the second, third, and fourth statistical moment of the EEG amplitudes, the relative power of the different spectral bands, the spectral edge frequency, the decorrelation time as well as the Hjorth mobility and complexity. As univariate non-linear measures, we used an effective correlation dimension, the largest Lyapunov exponent, the local flow, the algorithmic complexity and the loss of recurrence. In addition, we used a surrogate-corrected version of correlation dimension and algorithmic complexity. Then, we used ROC curves to distinguish between the amplitude distributions of interictal and preictal time profiles calculated for the respective measures. On the other hand, for classification of electroencephalograms into healthy, ictal, and interictal EEGs, we employed wavelet analysis to decompose the EEG into delta, theta, alpha, beta and gamma sub-bands. Then, the standard deviation, the correlation dimension and the largest Lyapunov exponent are employed for EEG representation. At the end, the classification accuracies of unsupervised k-means clustering, linear and quadratic discriminant analysis, radial basis function neural network and Levenberg–Marquardt back-propagation neural network are compared. keywords: EEG ,seizure onset detection ,feature extraction ,classification.
