سایت دانلود

یک سایت دیگر با وردپرس فارسی
دسته‌بندی نشده

آشکار سازي و طبقه بندي خودکار اسپايکهاي ميان حمله اي در سيگنال الکتروانسفالوگرافي (EEG)

دانشکده مهندسي برق

 

پايان‌نامه دوره کارشناسي ارشد مهندسي پزشکي-بيوالکتريک

 

آشکار سازي و طبقه بندي خودکار اسپايکهاي ميان حمله اي در سيگنال الکتروانسفالوگرافي (EEG)

 

توسط:

پيمان نجفي

 

استاد راهنما:

دکتر مريم محبي

 

 

 

تابستان1393

چکيده

بيماري صرع جزو شايعترين نارسايي هاي عصبي کودکان مي باشد. اين بيماري مي تواند زندگي کودکان را دگرگون کند و بر توانايي آنها براي آموختن تاثير بگذارد. در بيماري صرع علاوه بر تشنجها گروه ديگري از تخليه هاي الکتريکي به نام اسپايکهاي ميان حمله اي نيز موجود مي باشند. به صورت سنتي متخصصان براي شناسايي اسپايکها سيگنال EEG را به صورت چشمي بررسي مي کنند. ولي اين روش به دليل زمان بر بودن و نياز به تخصص فراوان مطلوب نمي باشد. براي حل اين مشکل تاکنون سيستمهاي خودکار شناسايي اسپايک بسياري توسط محققين ارائه شده است. ولي حساسيت و صراحت بيشتر اين سيستم ها کمتراز حد انتظار هستند.

در اين پروژه تحقيقاتي روش جديدي براي شناسايي خودکار اسپايکها ارائه شده است. اين روش از دو مرحله تشکيل شده است: مرحله اول (پردازش زماني):در اين مرحله امواج شبه اسپايک به کمک ويژگيهاي مورفولوژيک و زماني هر کانال به صورت جداگانه استخراج مي شود. مرحله دوم (پردازش مکاني): در اين مرحله سيستم تلاش مي کند تا اطلاعات مکاني مربوطه را نيز در پروسه شناسايي ادغام کند و از تعداد امواج غير اسپايک که به عنوان اسپايک شناخته شده اند بکاهد.

براي ارزيابي توانايي سيستم در شناسايي اسپايکها، الگوريتم ارائه شده بر روي پايگاه داده اي متشکل از 5/2 ساعت سيگنال EEG آزمايش شده است. پايگاه داده مورد استفاده شامل 6 سيگنال EEG از کودکان 7 الي 10 سال مي باشد و 3773 اسپايک را دربر دارد. تمامي اين سيگنالها توسط دو متخصص براي وجود اسپايک مورد بررسي قرار گرفته اند. ميانگين حساسيت سيستم پيشنهادي برابر%(38/24±) 23/75 مي باشد. مقدار ميانگين صراحت %(73/4±) 81/85، ميانگينخصوصيت %(7/0-) 51/99 و دقت ميانگين % (69/3-) 2/96 مي باشد. در مقايسه با ديگر سيستم ها، سيستم پيشنهادي توانسته است تا حدودي پروسه شناسايي اسپايک را بهبود ببخشد.

کليد واژه: شناسايي اسپايک، صرع، پردازش زماني،پردازش مکاني و تبديل والش

 

 

 

فهرست مطالب

عنوان                                                                            صفحه

فهرست جداول.. ت‌

فهرست شکل ها ث‌

فصل 1-     پيش گفتار. 1

فصل 2-     معرفي بيماري صرع  و تاثير آن بر سيگنال الکتروانسفالوگرام. 5

2-1-     بيماري صرع. 5

2-1-1-      تعريف بيماري صرع. 5

2-1-2-      بيماري صرع در کودکان.. 8

2-2-     تاثير الکتروانسفالوگرام در بيماري صرع. 9

2-2-1-      تاريخچه. 9

2-2-2-      سيگنال EEG نرمال.. 11

2-2-3-      سيگنال EEG صرعي.. 13

2-2-4-      صرعمزمندر کودکانهمراهبااسپايکهايگيجگاهيمياني و تاثير آن درالکتروانسفالوگرام  16

2-3-     جمع بندي فصل.. 17

فصل 3-     مروري بر سيستم هاي شناسايي اسپايک… 19

3-1-     مقدمه. 19

3-2-     شناسايي چشمي.. 19

3-3-     سيستم هاي خودکار شناسايي اسپايک… 20

3-3-1-      الگوريتم هاي تقليدي.. 20

3-3-2-      روشهاي پارامتري.. 26

3-3-3-      سيستمهاي مبتني بر شبکه عصبي مصنوعي.. 27

3-3-4-      سيستم هاي تطبيق الگو. 35

3-3-5-      سيستم مبتني بر تبديل موجک 40

3-3-6-      سيستمهاي مکاني زماني.. 43

3-4-     جمع بندي فصل.. 44

فصل 4-     الگوريتم ارائه شده در اين پايان نامه. 47

4-1-     داده هاي مورد استفاده در اين پروژه. 47

4-2-     سيستم شناسايي اسپايک ارئه شده. 48

4-2-1-      پيش پردازش… 49

4-2-2-      پردازش زماني.. 49

4-2-3-      پردازش مکاني.. 66

4-3-     جمع بندي فصل.. 67

فصل 5-     نتايج.. 69

5-1-     معيارهاي ارزيابي.. 69

5-2-     نتايج بدست آمده در مرحله پيش پردازش… 70

5-3-     نتايج بدست آمده در مرحله پردازش زماني.. 70

5-4-     نتايج بدست آمده در مرحله پردازش مکاني.. 76

5-5-     نتايج گروهي.. 78

5-6-     جمع بندي فصل.. 78

فصل 6-     جمع بندي و پيشنهادها 81

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

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

6-3-     مقايسه سيستم پيشنهادي با بقيه سيستمها 83

6-4-     نتيجه گيري.. 86

6-5-     پيشنهاد هايي براي ادامه کار. 86

فهرست مراجع   89

واژه نامه فارسي به انگليسي.. 95

واژه نامه انگليسي به فارسي.. 97

 

 

 

 

فهرست جداول

عنوان                                                                            صفحه

جدول‏2‑1 : طبقه بندي بيماري صرع 7

جدول‏3‑1: آستانه هاي مورد استفاده توسط جي و همکاران.. 24

جدول‏3‑2: آستانه ها براي مونتاژ دوقطبي.. 25

جدول ‏4‑1: اطلاعات باليني بيماران.. 47

جدول ‏4‑2: مشخصات سيگنالهاي ثبتي.. 47

جدول ‏4‑3: ماتريس هادامارد مرتبه 8. 52

جدول ‏4‑4: ماتريس والش مرتبه 8. 53

جدول ‏4‑5: ويژگيهاي مورد استفاده. 57

جدول ‏5‑1: نتايج سيستم پس از شناسايي کانديداها در کانال فوکوس هر بيمار. 73

جدول‏5‑2: نتايج کمي پس از خوشه بندي و حذف خوشه هاي شامل اشتباه مثبت براي کانال فوکوس… 77

جدول‏5‑3: نتايج کمي الگوريتم پس از مرحله پردازش مکاني براي کانال فوکوس… 78

جدول‏5‑4: نتايج گروهي براي وقايع اسپايکي.. 79

جدول‏6‑1 : مقايسه نتايج چند سيستم منتخب با يکديگر وسيستم پيشنهادي.. 83

 

فهرست شکل ها

عنوان                                                                            صفحه

شکل‏1‑1: بلوک دياگرام کلي تحقيق.. 3

شکل‏2‑1 : شيوع انواع مختلف صرع در سنين مختلف… 8

شکل‏2‑2: سيگنالي که ننينسکي از مغز يک سگ ضبط نمود. 10

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

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

شکل‏2‑5: امواج تيز، اسپايکها، اسپايک و موج آرام، پلي اسپايک، پلي اسپايک و موج آرام. 16

شکل‏2‑6: نمونه اي از اسپايکهاي گيجگاهي مرکزي در بيماران داراي BCECTS. 17

شکل‏3‑1: بلوک دياگرام روش هاي تقليدگر. 23

شکل‏3‑2: بلوگ دياگرام سيستم جي و همکارانش…. 23

شکل‏3‑3: ويژگيهاي استفاده شده توسط جي و همکارانش 24

شکل‏3‑4: بلوک دياگرام الگوريتمهاي پارامتريک… 26

شکل‏3‑5: بلوک دياگرام شناسايي اسپايک با ساختار اول.. 29

شکل‏3‑6: بلوک دياگرام شناسايي اسپايک با ساختار دوم. 30

شکل‏3‑7: ويژگيهاي مورد استفاده توسط اثير و همکارانش…. 31

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

شکل‏3‑9:پرسپترونهاي مورد استفاده در بخش پيش گروهبندي.. 32

شکل‏3‑10: معماري شبکه عصبيبيزي مورد استفاده اثير و همکارانش براي پس گروهبندي.. 33

شکل‏3‑11: نماي يک اسپايک به همراه بازه هاي تست شده براي ورودي شبکه. 34

شکل‏3‑12: بلوک دياگرام سيستمهاي تطبيق الگو. 37

شکل‏3‑13: بلوک دياگرام بخشهاي جمع آوري الگو و آموزش… 38

شکل‏3‑14: بلوک دياگرام سيستمهاي مبتني بر موجک… 41

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

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

شکل ‏4‑1: فلوچارت کلي سيستم.. 48

شکل ‏4‑2: پاسخ فرکانسي فيلتر مورد استفاده. 49

شکل ‏4‑3: بلوک دياگرام مرحله زماني.. 50

شکل ‏4‑4: يک اسپايک نمونه. 54

شکل ‏4‑5: فلوچارت بخش شناسايي کانديداها 55

شکل ‏4‑6: شماي يک اسپايک… 57

شکل ‏4‑7: الگوريتم هاي مختلف خوشه بندي.. 59

شکل ‏4‑8: فلوچارت الگوريتم خوشه بندي سلسله مراتبي از نوع جمع کننده. 60

شکل‏4‑9: نماي درختي خوشه بندي سلسله مراتبي براي کانال فوکوس بيمار1.. 62

شکل‏4‑10: تمامي حالات ممکن براي برازش و خط بر يک منحني با 7 نقطه. 64

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

شکل‏4‑12: خوشه بندي کانديداهاي موجود در کانال فوکوس بيمار 1. 64

شکل‏4‑13: خوشه هاي شکل‏4‑12 در محيط ويژگيها 65

شکل‏4‑14: سيگنال ميانگين براي خوشه ها 66

شکل‏4‑15: پردازش مکاني.. 67

شکل ‏5‑1: يک نمونه از آرتيفکتهاي شناسايي شده توسط الگوريتم.. 70

شکل ‏5‑2: نتايج شناسايي کانديداها توسط سيگنال والش…. 71

شکل ‏5‑3: کانديداهاي استخراج شده در بازه مورد نظر بر روي سيگنال مورد بررسي 72

شکل ‏5‑4: تمامي کانديداهاي شناسايي شده در بازه مورد اشاره در بيمار 1. 72

شکل‏5‑5: ويژگي هاي استخراج شده براي تمامي امواج در بازه مورد بررسي در کانال فوکوس… 74

شکل‏5‑6: دندروگرام خوشه بندي کانديداهاي موجود در فوکوس کانال بيمار 1. 75

شکل‏5‑7: کانديداهاي استخراج شده در فضاي ويژگيها 76

شکل‏5‑8: بررسي بازه مورد بررسي پس از خوشه بندي و حذف خوشه هاي نامناسب… 76

شکل‏5‑9: بررسي نتايج بخش پردازش مکاني براي پنجره مورد نظر پردازش مکاني.. 77

 

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *