متن کامل خبر


 
جلسه دفاع از پایان‌نامه: آقای صابر حبیبی، گروه مهندسی پزشکی

خلاصه خبر: پیش بینی حمله های صرعی از روی سیگنال های مغزی سطحی

  • عنوان: پیش بینی حمله های صرعی از روی سیگنال های مغزی سطحی
  • ارائه‌کننده: صابر حبیبی
  • استاد راهنما: دکتر بابک محمدزاده اصل
  • استاد ناظر داخلی اول: دکتر مهدی عروجی
  • استاد ناظر خارجی اول: دکتر علی مطیع نصرآبادی (دانشگاه: شاهد )
  • مکان: اتاق شورا
  • تاریخ: 96/12/21
  • ساعت: 17:00

چکیده حمله‌های صرعی نتیجه فعالیت‌های شدید و هم‌زمان نورون‌های مغز است. علت وقوع حمله‌های صرعی می‌تواند وجود تومور در مغز، آسیب¬های وارده به مغز، کمبود اکسیژن و یا آماس مغز باشد. بیش از 65 میلیون نفر در دنیا مبتلا به بیماری صرع هستند. ازاین‌رو وجود الگوریتم‌های پیش‌بینی کننده حمله‌های قریب الوقوع برای ایجاد هشدار قبل از وقوع حمله‌های صرعی برای جلوگیری از وقوع حمله و یا کاهش صدمات وارده، لازم و ضروری به نظر می¬رسد. الکتروانسفالوگرام(EEG) ازجمله سیگنال‌های حیاتی پرکاربرد برای پیش‌بینی حمله‌های صرعی است. روش‌های پیشنهادشده در مطالعات قبلی به دلیل وجود تفاوت در نوع حمله¬ها، همچنین کوتاه‌مدت بودن ثبت‌ها و عدم ارزیابی آماری نتایج بدست آمده قابل اعتماد نبوده است. برای غلبه به این محدودیت¬ها، در پژوهش حاضر، روش جامعی بر اساس استخراج ویژگی‌های جدید از حالت¬های پیش¬صرعی و غیرصرعی از سیگنال‌های الکتروانسفالوگرام سطحی و انتخاب ویژگی‌هایی با قابلیت جداپذیری بیشینه بین داده‌های دو کلاس غیرصرعی و پیش¬صرعی ارائه‌شده است. آنتروپی فازی معیاری برای محاسبه میزان بی‌نظمی سیگنال است. از این ویژگی، در مطالعات قبلی برای تحلیل سیگنال‌های حیاتی مختلفی مانند EMG و ECG استفاده‌شده است. همچنین در حوزه صرع نیز برای آشکارسازی حمله‌های صرعی به¬کار رفته است. در این مطالعه، آنتروپی فازی برای پیش‌بینی حمله‌های صرعی به¬صورت بیمار به بیمار استفاده می‌شود. ابتدا ویژگی آنتروپی فازی از ثبت‌¬های EEG سطحی چندکاناله، استخراج شده است. مرحله انتخاب ویژگی و طبقه¬بندی به دو قسمت انتخاب و طبقه¬بندی تک¬ویژگی و چندویژگی تقسیم شده است. در رویکرد انتخاب و طبقه¬بندی تک¬ویژگی، با استفاده از ماتریس پراکندگی، تک¬ویژگی که بیشترین جداپذیری بین کلاس پیش¬صرعی و غیرصرعی را داشته انتخاب شده و با استفاده از آستانه گذاری طبقه¬بندی شده است. درصورتی که تک¬ویژگی انتخاب¬شده نتایج پیش¬فرض(حساسیت بالای 66% نرخ پیش¬بینی اشتباه کمتر از 2/0) را نداشته باشد، رویکرد انتخاب و طبقه¬بندی ویژگی چندبعدی اتخاذ شده است. در رویکرد دوم، ویژگی¬های چندبعدی از روی داده¬های آموزشی فرد، با الگوریتم SFS انتخاب شده و به طبقه¬بند ماشین بردار پشتیبان با هسته RBF داده‌شده است. روش معرفی‌شده روی پایگاه داده CHB-MIT شامل ثبت‌های سطحی از افراد با محدوده سنی 22-5/1 سال آزمایش شده است. درنهایت معیارهای ارزیابی مانند حساسیت، نرخ پیش‌بینی اشتباه، میانگین زمان پیش¬بینی، مقدار p-value گزارش شده و با مطالعات اخیر مقایسه شده¬است. در این مطالعه، روش پیشنهادی مبتنی بر ویژگی آنتروپی فازی به ترتیب به میانگین حساسیت 45/7±34/98% و نرخ پیش¬بینی اشتباه 1627/0±1602/0 بر ساعت و مدت زمان پیش¬بینی 57/11±33/45 دقیقه روی 20 بیمار از 23 بیمار پایگاه داده EEG سطحیCHB-MIT با p-value کمتر از 05/0 رسیده است. نتایج شبیه¬سازی¬ها نشان می‌دهد که روش پیشنهادی در مقایسه با مطالعات اخیر از داده¬های پیش¬صرعی کمتری برای آموزش استفاده کرده و به نتایج مشابه رسیده است.
کلمات کلیدی الکتروانسفالوگرام سطحی، پیش‌بینی صرع، آنتروپی فازی، ماشین بردار پشتیبان

22 اسفند 1396 / تعداد نمایش : 90