16930

16930

تشخيص سطح درد نوروپاتي با استفاده از سيگنال هاي عصبي نخاع

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

دي 1395

دكتر عباس عرفانيان

برق

درد مزمن تاثير زيادي بر حالت رواني، كيفيت و فعاليت‌هاي روزمره بيمار دارد. متأسفانه هزينه¬ گزاف درمان هاي مختلف علاوه بر اثرات جانبي به طور كامل درد بيمار را كاهش نمي¬دهد و غالباً در درمان يا كاهش درد ناموفق عمل مي كند. براي درمان يا كاهش موثر درد روش هاي جايگزين مانند تحريك الكتريكي محيطي، نخاع، قشر و عمق مغز مي تواند مفيد باشد. اعمال تحريك در صورت نياز يا تغيير پارامترهاي تحريك الكتريكي متناسب با شدت درد از موضوعات مهم در زمينه كنترل درد است. اولين قدم براي طراحي سيستمي حلقه بسته و انتخاب روش‏هاي كنترلي مناسب، اندازه‏گيري سطح درد مي‏باشد. تحقيقات قبلي نشان مي‏دهد كه مطالعه فعاليت سلول‌هاي عصبي Wide Dynamic Range كه در شاخ خلفي نخاع قرار دارند براي اندازه‏گيري درد مزمن مي‏تواند بسيار مفيد واقع شود. در اين پژوهش، اثر سطوح مختلف درد نوروپاتي حاصل از آسيب عصب سياتيك در حالت سالم، بلافاصله بعد از آسيب عصب سياتيك و 2 هفته بعد از آسيب (مدل SNI درد نوروپاتي) بر روي فعاليت سلول‌هاي عصبي WDR مربوط به 6 رت با درد نوروپاتي و 6 رت حالت سالم و بعد از آسيب عصب سياتيك مورد بررسي قرار گرفته ‌است. براي بررسي چگونگي فعاليت سلول‌هاي عصبي WDR از سيگنال هاي پيوسته نرخ آتش، فواصل بين اسپايك‌ها و پتانسيل ميداني-محلي استفاده شده است. نتايج نشان مي‌دهد كه نرخ آتش پتانسيل عمل افزايش يافته و در مقابل فواصل بين اسپايك‌ها كاهش مي‌يابد كه بيانگر افزايش فعاليت سلول هاي عصبي در روزهاي بعد از آسيب است. طبقه بندي بين گروه سالم و بعد از آسيب عصب، گروه سالم و مدل درد نوروپاتي، گروه بعد از آسيب عصب و مدل درد نوروپاتي و بين هر سه گروه با استفاده از ويژگي هاي سيگنال هاي پيوسته نرخ آتش، فواصل بين اسپايك‌ها و پتانسيل ميداني-محلي و تجزيه موجك سيگنال ها بدست آمد. از تجزيه موجك، براي استخراج ويژگي از سه سيگنال پيوسته نرخ آتش، سيگنال پيوسته فواصل بين اسپايك‌ها و سيگنال پتانسيل ميداني-محلي استفاده شده است. براي انتخاب ويژگي از اجزاء به دست آمده از تجزيه موجك ، آناليز واريانس به كار گرفته شده است. نهايتا نتايج مربوط به استفاده از روش‌هاي ذكر شده براي 30 آزمايش كامل ده ثانيه اي از هر گروه سالم، بعد از آسيب عصب سياتيك و 2هفته بعد از آسيب (جمعا 90 آزمايش) به دست آمده است. به طور كلي نتايج به دست آمده از طبقه بندي سيگنال ها با استفاده از تجزيه موجك در مقايسه با سيگنال هاي اصلي بهتر است. نتايج نشان ميدهد كه بهترين دقت تصميم‌گيري در طبقه‌بندي سطوح مختلف درد نوروپاتي مربوط به استفاده از تجزيه موجك سيگنال پيوسته نرخ آتش مي‌باشد

1395/12/22

1/1/1900 12:00:00 AM

chronic pain is an annoying issue that has a great impact on the mental state of the patient, his/her quality of life an​d daily activities. Unfortunately, the high cost of different therapies, in addition to their side effects, fails to treat o​r reduce the pain of the patient. Using the electrical stimulation is applied to the spinal cord, cortex o​r depth of the brain, o​r peripheral nerves for chronic pain relief. Electrical stimulation on demand an​d stimulation parameter alteration proportional to the pain severity are the most important objectives that researchers within the field of chronic pain management have been addressed. The first step to designing a closed-loop system an​d adoption of appropriate control methods is the continuous measurement of pain. Previous studies have shown that study of wide dynamic range (WDR) neurons activity can be very helpful for chronic pain measurement. In this study effect of sciatic nerve injury so-called spared nerve injury (SNI) model of six sham, after injury an​d six neuropathic pain model rats in activity on WDR neurons were compared in different days. Three different feautures including firing rate of the action potential, inter-spike intervals (ISIs) of fired action potentials an​d local field potentials (LFP) were used to measure the activity of WDR neurons. Results show an increase in the response of the firing rate of WDR neuron an​d a decrease in interspike intervals in the rat model that suffering from neuropathic pain. Wavelet decomposition was used for feature extraction from continuous firing rate, interpolated interspike interval an​d LFP signals. For feature selection from a component of wavelet decomposition the analysis of variance was used. We obtain a result of classification for thirty trials of each sham, post operation an​d SNI model rat groups. Result of classification accuracy of Wavelet decomposition is more than original signals. Results shown that the best classification accuracy on different levels of neuropathic pain obtained by using wavelet decomposition of continuous firing rate signal as neural network input.