دانشکده مهندسی برق

 

پایان‌نامه دوره کارشناسی ارشد مهندسی پزشکی-بیوالکتریک

 

آشکار سازی و طبقه بندی خودکار اسپایکهای میان حمله ای در سیگنال الکتروانسفالوگرافی (EEG)

 

توسط:

پیمان نجفی

 

استاد راهنما:

دکتر مریم محبی

 

 

 

تابستان1393

چکیده

بیماری صرع جزو شایعترین نارسایی های عصبی کودکان می باشد. این بیماری می تواند زندگی کودکان را دگرگون کند و بر توانایی آنها برای آموختن تاثیر بگذارد. در بیماری صرع علاوه بر تشنجها گروه دیگری از تخلیه های الکتریکی به نام اسپایکهای میان حمله ای نیز موجود می باشند. به صورت سنتی متخصصان برای شناسایی اسپایکها سیگنال EEG را به صورت چشمی بررسی می کنند. ولی این روش به دلیل زمان بر بودن و نیاز به تخصص فراوان مطلوب نمی باشد. برای حل این مشکل تاکنون سیستمهای خودکار شناسایی اسپایک بسیاری توسط محققین ارائه شده است. ولی حساسیت و صراحت بیشتر این سیستم ها کمتراز حد انتظار هستند.

در این پروژه تحقیقاتی روش جدیدی برای شناسایی خودکار اسپایکها ارائه شده است. این روش از دو مرحله تشکیل شده است: مرحله اول (پردازش زمانی):در این مرحله امواج شبه اسپایک به کمک ویژگیهای مورفولوژیک و زمانی هر کانال به صورت جداگانه استخراج می شود. مرحله دوم (پردازش مکانی): در این مرحله سیستم تلاش می کند تا اطلاعات مکانی مربوطه را نیز در پروسه شناسایی ادغام کند و از تعداد امواج غیر اسپایک که به عنوان اسپایک شناخته شده اند بکاهد.

برای ارزیابی توانایی سیستم در شناسایی اسپایکها، الگوریتم ارائه شده بر روی پایگاه داده ای متشکل از 5/2 ساعت سیگنال EEG آزمایش شده است. پایگاه داده مورد استفاده شامل 6 سیگنال EEG از کودکان 7 الی 10 سال می باشد و 3773 اسپایک را دربر دارد. تمامی این سیگنالها توسط دو متخصص برای وجود اسپایک مورد بررسی قرار گرفته اند. میانگین حساسیت سیستم پیشنهادی برابر%(38/24±) 23/75 می باشد. مقدار میانگین صراحت %(73/4±) 81/85، میانگینخصوصیت %(7/0-) 51/99 و دقت میانگین % (69/3-) 2/96 می باشد. در مقایسه با دیگر سیستم ها، سیستم پیشنهادی توانسته است تا حدودی پروسه شناسایی اسپایک را بهبود ببخشد.

کلید واژه: شناسایی اسپایک، صرع، پردازش زمانی،پردازش مکانی و تبدیل والش

 

 

 

فهرست مطالب

عنوان                                                                            صفحه

فهرست جداول.. ت‌

فهرست شکل ها ث‌

فصل 1-     پیش گفتار. 1

فصل 2-     معرفی بیماری صرع  و تاثیر آن بر سیگنال الکتروانسفالوگرام. 5

2-1-     بیماری صرع. 5

2-1-1-      تعریف بیماری صرع. 5

2-1-2-      بیماری صرع در کودکان.. 8

2-2-     تاثیر الکتروانسفالوگرام در بیماری صرع. 9

2-2-1-      تاریخچه. 9

2-2-2-      سیگنال EEG نرمال.. 11

2-2-3-      سیگنال EEG صرعی.. 13

2-2-4-      صرعمزمندر کودکانهمراهبااسپایکهایگیجگاهیمیانی و تاثیر آن درالکتروانسفالوگرام  16

2-3-     جمع بندی فصل.. 17

فصل 3-     مروری بر سیستم های شناسایی اسپایک… 19

3-1-     مقدمه. 19

3-2-     شناسایی چشمی.. 19

3-3-     سیستم های خودکار شناسایی اسپایک… 20

3-3-1-      الگوریتم های تقلیدی.. 20

3-3-2-      روشهای پارامتری.. 26

3-3-3-      سیستمهای مبتنی بر شبکه عصبی مصنوعی.. 27

3-3-4-      سیستم های تطبیق الگو. 35

3-3-5-      سیستم مبتنی بر تبدیل موجک 40

3-3-6-      سیستمهای مکانی زمانی.. 43

3-4-     جمع بندی فصل.. 44

فصل 4-     الگوریتم ارائه شده در این پایان نامه. 47

4-1-     داده های مورد استفاده در این پروژه. 47

4-2-     سیستم شناسایی اسپایک ارئه شده. 48

4-2-1-      پیش پردازش… 49

4-2-2-      پردازش زمانی.. 49

4-2-3-      پردازش مکانی.. 66

4-3-     جمع بندی فصل.. 67

فصل 5-     نتایج.. 69

5-1-     معیارهای ارزیابی.. 69

5-2-     نتایج بدست آمده در مرحله پیش پردازش… 70

5-3-     نتایج بدست آمده در مرحله پردازش زمانی.. 70

5-4-     نتایج بدست آمده در مرحله پردازش مکانی.. 76

5-5-     نتایج گروهی.. 78

5-6-     جمع بندی فصل.. 78

فصل 6-     جمع بندی و پیشنهادها 81

6-1-     ملاحظات مربوط به بخش پردازش زمانی.. 81

6-2-     ملاحظات مربوط به بخش پردازش مکانی.. 82

6-3-     مقایسه سیستم پیشنهادی با بقیه سیستمها 83

6-4-     نتیجه گیری.. 86

6-5-     پیشنهاد هایی برای ادامه کار. 86

فهرست مراجع   89

واژه نامه فارسی به انگلیسی.. 95

واژه نامه انگلیسی به فارسی.. 97

 

 

 

 

فهرست جداول

عنوان                                                                            صفحه

جدول‏2‑1 : طبقه بندی بیماری صرع 7

جدول‏3‑1: آستانه های مورد استفاده توسط جی و همکاران.. 24

جدول‏3‑2: آستانه ها برای مونتاژ دوقطبی.. 25

جدول ‏4‑1: اطلاعات بالینی بیماران.. 47

جدول ‏4‑2: مشخصات سیگنالهای ثبتی.. 47

جدول ‏4‑3: ماتریس هادامارد مرتبه 8. 52

جدول ‏4‑4: ماتریس والش مرتبه 8. 53


جدول ‏4‑5: ویژگیهای مورد استفاده. 57

جدول ‏5‑1: نتایج سیستم پس از شناسایی کاندیداها در کانال فوکوس هر بیمار. 73

جدول‏5‑2: نتایج کمی پس از خوشه بندی و حذف خوشه های شامل اشتباه مثبت برای کانال فوکوس… 77

جدول‏5‑3: نتایج کمی الگوریتم پس از مرحله پردازش مکانی برای کانال فوکوس… 78

جدول‏5‑4: نتایج گروهی برای وقایع اسپایکی.. 79

جدول‏6‑1 : مقایسه نتایج چند سیستم منتخب با یکدیگر وسیستم پیشنهادی.. 83

 

فهرست شکل ها

عنوان                                                                            صفحه

شکل‏1‑1: بلوک دیاگرام کلی تحقیق.. 3

شکل‏2‑1 : شیوع انواع مختلف صرع در سنین مختلف… 8

شکل‏2‑2: سیگنالی که ننینسکی از مغز یک سگ ضبط نمود. 10

شکل‏2‑3: سیگنال EEG که برگر ضبط نموده بود. 10

شکل‏2‑4: ریتمهای نرمال EEG الف)دلتا ب)تتا ج)آلفا د) بتا ه)گاما 13

شکل‏2‑5: امواج تیز، اسپایکها، اسپایک و موج آرام، پلی اسپایک، پلی اسپایک و موج آرام. 16

شکل‏2‑6: نمونه ای از اسپایکهای گیجگاهی مرکزی در بیماران دارای BCECTS. 17

شکل‏3‑1: بلوک دیاگرام روش های تقلیدگر. 23

شکل‏3‑2: بلوگ دیاگرام سیستم جی و همکارانش…. 23

شکل‏3‑3: ویژگیهای استفاده شده توسط جی و همکارانش 24

شکل‏3‑4: بلوک دیاگرام الگوریتمهای پارامتریک… 26

شکل‏3‑5: بلوک دیاگرام شناسایی اسپایک با ساختار اول.. 29

شکل‏3‑6: بلوک دیاگرام شناسایی اسپایک با ساختار دوم. 30

شکل‏3‑7: ویژگیهای مورد استفاده توسط اثیر و همکارانش…. 31

شکل‏3‑8: گروه بندی قله هابه سه گروه. 32

شکل‏3‑9:پرسپترونهای مورد استفاده در بخش پیش گروهبندی.. 32

شکل‏3‑10: معماری شبکه عصبیبیزی مورد استفاده اثیر و همکارانش برای پس گروهبندی.. 33

شکل‏3‑11: نمای یک اسپایک به همراه بازه های تست شده برای ورودی شبکه. 34

شکل‏3‑12: بلوک دیاگرام سیستمهای تطبیق الگو. 37

شکل‏3‑13: بلوک دیاگرام بخشهای جمع آوری الگو و آموزش… 38

شکل‏3‑14: بلوک دیاگرام سیستمهای مبتنی بر موجک… 41

شکل‏3‑15: روش ارائه شده توسط چاواکولا و همکاران.. 42

شکل‏3‑16: مرحله چند کانالی ارائه شده توسط چاواکولا 43

شکل ‏4‑1: فلوچارت کلی سیستم.. 48

شکل ‏4‑2: پاسخ فرکانسی فیلتر مورد استفاده. 49

شکل ‏4‑3: بلوک دیاگرام مرحله زمانی.. 50

شکل ‏4‑4: یک اسپایک نمونه. 54

شکل ‏4‑5: فلوچارت بخش شناسایی کاندیداها 55

شکل ‏4‑6: شمای یک اسپایک… 57

شکل ‏4‑7: الگوریتم های مختلف خوشه بندی.. 59

شکل ‏4‑8: فلوچارت الگوریتم خوشه بندی سلسله مراتبی از نوع جمع کننده. 60

شکل‏4‑9: نمای درختی خوشه بندی سلسله مراتبی برای کانال فوکوس بیمار1.. 62

شکل‏4‑10: تمامی حالات ممکن برای برازش و خط بر یک منحنی با 7 نقطه. 64

شکل‏4‑11: منحنی خطا و خطوط برازش شده بر آن.. 64

شکل‏4‑12: خوشه بندی کاندیداهای موجود در کانال فوکوس بیمار 1. 64

شکل‏4‑13: خوشه های شکل‏4‑12 در محیط ویژگیها 65

شکل‏4‑14: سیگنال میانگین برای خوشه ها 66

شکل‏4‑15: پردازش مکانی.. 67

شکل ‏5‑1: یک نمونه از آرتیفکتهای شناسایی شده توسط الگوریتم.. 70