پژوهشگران گروه مهندسی پزشکی دانشگاه تربیت مدرس روش جامعی برای پیش بینی حمله های صرعی از روی سیگنال های مغزی سطحی ارائه کردند.
به گزارش دیده بان علم ایران 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.
صابر حبیبی که این پژوهش در قالب پایان نامه کارشناسی ارشد وی در رشته مهندسی پزشکی انجام شده است، با بیان این مقدمه در خصوص اهمیت پیش بینی حمله های صرعی گفت: بیش از ۶۵ 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.
وی افزود: 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.
حبیبی تصریح کرد: برای غلبه به این محدودیت ها، در این پژوهش، 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.
وی ادامه داد: 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. حبیبی تشریح کرد: درصورتی که تک ویژگی انتخاب شده نتایج پیش فرض(حساسیت بالای ۶۶% نرخ پیش بینی اشتباه کمتر از ۲/۰) 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.
حبیبی افزود: روش معرفی‌شده روی پایگاه داده CHB-MIT شامل ثبت‌های سطحی از افراد با محدوده سنی ۲۲-۵/۱ 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 ۴۵/۷±۳۴/۹۸% و نرخ پیش بینی اشتباه ۱۶۲۷/۰±۱۶۰۲/۰ بر ساعت و مدت زمان پیش بینی ۵۷/۱۱±۳۳/۴۵ دقیقه روی ۲۰ بیمار از ۲۳ بیمار پایگاه داده EEG سطحیCHB-MIT با p-value کمتر از ۰۵/۰ رسیده است.
وی در پایان خاطر نشان کرد: 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.
گفتنی است این پژوهش با راهنمایی دکتر بابک محمدزاده اصل عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر انجام شده است.
انتهای پیام
* نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند