26795

رمزگشايي سطح درد از روي سيگنال الكتروانسفالوگرام در نوزادان

كارشناسي ارشد

مهندسي پزشكي بيوالكتريك

1398-1401

1401/02/05

دكتر محمدرضا دليري

مهندسي برق

چكيده مطابق با تعريف انجمن بين المللي درد، درد اغلب ناشي از تخريب بالفعل يا بالقوه آسيب بافتي ناشي از محرك هاي شيميايي، حرارتي، مكانيكي و الكتريكي ايجاد مي شود. پديده درد تركيبي از مؤلفه هاي ادراكي و عاطفي است كه توسط تجربه فردي منعكس مي شود لذا درجه بندي سطح درد مبتني بر پرسش يك معيار استاندارد براي ارزيابي درد در مطالعات باليني است ، اما درد مسئله اي ذهني است و براي افرادي كه نمي توانند درد را احساس با ابراز كنند غير ممكن است. در اين پژوهش سعي شده است تا با استفاده از سيگنال EEG نوزادان كه در حين تحريك مكانيكي دردناك ثبت شده است به رمز گشايي سطح درد پرداخته شود. پردازش سيگنال هاي مغزي نوزادان براي تشخيص سطح درد در چهار بخش صورت گرفت. در ابتدا سيگنال براي رفع نويز پيش پردازش شد و در بخش دوم، انواع ويژگي در حوزه زمان فركانس با استفاده از تبديل ويولت استخراج شد، در بخش سوم با استفاده از آزمون آماري كراسكال واليس و روش انتخاب ويژگي فيشر، ويژگي هاي بهينه براي طبقه بندي انتخاب شدند و در بخش آخر نيز با استفاده از الگوريتم هاي طبقه بندي همچون روش يادگيري جمعي دسته بندي (Bagging)، ماشين بردار پشتيبان( SVM) و Kنزديكترين همسايه (KNN) به طبقه بندي سيگنال EEG در دو و سه سطح و همچنين بررسي اثرباندهاي فركانسي در تفكيك درد پرداخته شد. در اين پژوهش در حالت دو كلاسه با استفاده از ويژگي توان سيگنال، الگوريتم طبقه بندي Bagging با بيشترين دقت 98.5 درصد قادر به رمزگشايي دو حالت درد و عدم وجود درد بود و در بررسي اثر هر يك از باندهاي فركانسي با ويژگي توان نيز مشخص شد كه باندهاي فركانسي دلتا و تنا تاثير بيشتري در تفكيك درد دارد. در حالت سه كلاسه نيز علاوه بر ويژگي توان ساير ويژگي هاي آماري همچون ميانگين، واريانس و ويژگي آنتروپي سيگنال نيز از ضرايب جزييات و تقريب استخراج شدند و مشخص شد با استفاده از ويژگي هاي حوزه زمان فركانس مي توان به بالاترين دقت 79٫6 درصد در روش ماشين بردار پشتيبان به تفكيك سه سطح درد بپردازيم و مشاهده شد كه چنانچه در طبقه بندي سه سطح درد ويژگي ها از باندهاي فركانسي دلتا و تتا استخراج شوند و در كنار هم قرار گيرند، دقت طبقه بندي افزايش مي يابد . همچنين مشخص شد كه ويژگي هاي بهينه اي كه مورد استفاده قرار گرفتند بيشتر مربوط به لوب آهيانه اي مغز مي باشند. در اين پژوهش از سيگنال EEG نوزادان در حين تحريك دردناك براي طبقه بندي شدت درد استفاده شد و مشخص شد كه مي توان با استفاده از ويژگي هاي سيگنال EEG به تشخيص درد با دقت 98.5 درصد و تفكيك درد در سه سطح با دقت79.6 درصد برسيم. از اين روش و ايده در ارزيابي درد نوزادان و بيماراني كه توانايي بيان درد خود را ندارند با دقت تشخيصي مناسب مي توان بهره برد. واژه هاي كليدي: درد، سيگنال الكتروانسفالوگرام( EEG)، طبقه بندي سطح درد، نوزادان

1401/04/25

Decoding pain from electroencephalogram signal in neonates

4/25/2023 12:00:00 AM

According to the International Mildred Association , pain is often caused by potential damage or potential tissue damage due to chemical , thermal , mechanical and electrical stimulation . The phenomenon of pain is a combination of conceptual and perceptual elements reflected by individual experience , so the level of pain - based pain rating is based on the question of a standard criterion for assessing pain in clinical studies .but the pain is mental and it is impossible for people who can 't feel pain . in this research , we have tried to decode pain level using eeg signals of infants recorded during the painful mechanical stimulation . processing of brain signals was performed in four sections for diagnosis of pain level . first , the signal was processed to remove the pre - processing noise and in the second part , the feature types in the frequency time domain were extracted using wavelet transform . ~~~ in the third part , the best features were selected for classification using كراسكال wallis and fisher " s feature selection .in the last section , using classification algorithms such as ensemble learning method ( svm ) , support vector machine ( svm ) and K nearest neighbor ( KNN ) to classification of eeg signals in two and three levels as well as frequency اثرباندهاي analysis in pain segregation was investigated . in this study , in the two - class mode using the signal power feature , the Bagging classification algorithm was able to decode two states of pain and lack of pain .in order to investigate the effect of each of the frequency bands with the power feature , it was found that the frequency bands of delta and تنا have more influence on pain separation . in the three classes , in addition to the feature of other statistical features such as mean , variance and entropy characteristics of the signal were extracted from detail and approximation coefficients . ~~~ it was found that using feature time domain specifications , the highest accuracy of 79.6 % in support vector machine method was obtained to differentiate three levels of pain . it was also found that the optimal feature used is more relevant to the frontal lobes of the brain .The one that has been used is mainly concerned with the parietal lobes of the brain . in this study , the infant eeg signal was used during painful stimulation to categorize pain intensity and it was found that eeg signals could be determined to detect pain with an accuracy of 99.9 percent accuracy and separation of pain at three levels with a precision of 79.6 percent . This method and the idea in assessing the pain of babies and patients who have no ability to express their pain can be used with proper diagnostic accuracy .

درد , سيگنال الكتروانسفالوگرام , نوزادان , طبقه بندي

pain , ٍEEG , infants , pain classification

Reyhane Shafiee

Mohammadreza Daliri