28447

تشخيص صرع از روي سيگنال‌هاي EEG با استفاده از الگوهاي باينري محلي

كارشناسي ارشد

مهندسي پزشكي

1398

1401/11/23

دكتر محمدرضا دليري

برق

طبق اعلام سازمان بهداشت جهاني حدود 65 ميليون نفر در سراسر جهان دچار بيماري صرع هستند، همچنين اين بيماري در ايران يكي از شايع‌ترين بيماري‌هاي مغز و اعصاب محسوب ميشود به طوريكه تا 1.5 درصد از افراد جامعه با اين بيماري درگير هستند. در اين پژوهش سعي شده است كه بيماري صرع را در افراد و در مراحل متفاوت از روي سيگنال الكتروانسفالوگرام تشخيص دهيم. يكي از ابزارهاي كابردي براي استخراج ويژگي الگوهاي باينري محلي هستند. در اين پژوهش اين ابزار به طور كامل و جامع مورد واكاوي قرار گرفته است و حالت‌ها و پارامتر‌هاي متفاوت بررسي و در نهايت با روش‌هاي مكمل مقايسه شده است. مجموعه داده شامل 5 زير مجموعه ميباشد كه هر زير مجموعه شامل 100 سيگنال EEG تك كاناله ميباشد كه هر سيگنال در 23.6 ثانيه با فركانس نمونه برداري 173.61 هرتز ثبت شده است. داده ها به صورت كلي به 3 بخش افراد سالم (چشمان باز و چشمان بسته)، افراد مبتلا به صرع در بازه زماني كه تشنج صورت نگرفته و افراد مبتلا به صرع در بازه زماني كه در حال تشنج بوده اند تقسيم ميشوند. اين داده ها در دو حالت بررسي شده اند اول به همان صورت كه داده‌ها منتشر شده اند و دوم در حالت حذف فركانس 50 هرتز ناشي از برق شهر بررسي شده اند. سپس استخراج ويژگي توسط الگوي باينري محلي ساده و 4 تكنيك مشتق شده از اين تكنيك كه شامل دو تكنيك جديد الگوي باينري وزن داده شده و معكوس شده انجام شده است. همچنين تمام محاسبات با ابزار كاهش بعد PCA با مقادير متفاوت انجام شده است. سپس با طبقه بند درخت تصميم گيري و نزديك ترين همسايگي (با مقادير متفاوت همسايگي) تشخيص انجام شده است. در مقايسه با روش مكمل به نتايج بهتري دست يافتيم و همچنين بررسي و مشخص شد كه نسبت به روش‌هاي مكمل سادگي بيشتري دارد. همچنين با يكي از به روزترين روش‌هاي تحليل سيگنال‌هاي طبيعي مقايسه شده است و دقت روش پيشنهادي ما 98.3 درصد بوده است كه نسبت به دقت 95.1 درصد روش ديگر بهتر عمل كرده است.

1402/03/24

Epilepsy Detection from EEG Signals using Local Binary Patterns

2/12/2024 12:00:00 AM

According to the World Health Organization, about 65 million people worldwide are suffering from epilepsy, one of the most common neurological diseases in Iran, with up to 1.5 percent of the population involved. In this study, we have tried to diagnose epilepsy in people at different stages by the electroencephalogram signal. One of the practical tools for extracting the feature is local binary patterns. In this study, the tool has been thoroughly and comprehensively examined and different modes and parameters have been examined and finally compared with complementary methods. The data set consists of 5 subsets, each subset containing 100 single-channel EEG signals, each signal recorded in 23.6 seconds with a sampling frequency of 173.61 Hz. The data is generally divided into 3 parts: healthy people (open eyes and closed eyes), people with epilepsy within the time frame when there is no seizure, and people with epilepsy within the time frame when they are experiencing seizures. These data were examined in two modes: first, as the data had been published, and second, in the mode of eliminating the 50 Hz frequency caused by the city's electricity. The feature extraction was then performed by simple local binary pattern and 4 techniques derived from this technique which included two new weighted and reversed binary pattern techniques. Also all calculations were done with the PCA dimension reduction tool with different values. Then a diagnosis was made with the Decision tree classifier and the nearest neighbourhood classifier (with varying values of neighbourhood). We have achieved better results compared to the supplementary method, and the simplicity of this method has also been examined and determined to be more simple than the complementary methods. It has also been compared to one of the most up-to-date methods of natural signal analysis, and the accuracy of our proposed method was 98.3%, which was better than the accuracy of the other method's 95.1%.

تشخيص صرع , الگوي باينري محلي , الگوي باينري محلي معكوس , الكتروآنسفالوگرام , الگوي باينري محلي وزن داده شده

Diagnosis of epilepsy , Local binary pattern , Reverse local binary pattern , Electroencephalogram , Weighted local binary pattern

Omid Hesari

Dr. Mohammadreza Daliri