16221

16221

تشخيص تشنج با استفاده از سيگنال هاي الكتروكورتيكوگرام در حين حركات آزادانه موش

كارشناسي ارشد

بيوالكتريك

خرداد ماه 1395

دكتر عباس عرفانيان اميدوار

برق

چكيده صرع يكي از رايج¬ترين بيماري¬هاي عصبي مي ¬باشد كه حدود 1% مردم در سرتاسر جهان از آن رنج مي-برند، همين امر سبب شده است كه در سال¬هاي اخير مورد توجه محققان قرار گيرد. تشخيص تشنج به طور سنتي از طريق مشاهده سيگنال¬هاي مغزي انجام مي¬شود. اين كار مشكل، وقت گير و مستعد خطا مي¬باشد، از اين رو ارائه سيستم تشخيص تشنج اتوماتيك بسيار مهم است. در اين پژوهش سعي براين است تا روشي براي تشخيص اتوماتيك تشنج با استفاده از سيگنال¬هاي مغزي ارائه گردد. در اين پژوهش، سيگنال¬هاي الكتروكورتيكوگرام (ECoG) و داخل مغزي مربوط به موش¬هاي آزمايشگاهي براي تشخيص تشنج مورد استفاده قرار گرفته اند. سيگنال¬هاي ECoG از 40 حيوان و از 32 كانال ثبت شده است. در اين پروژه انواع ويژگي¬هاي حوزه زمان، حوزه فركانس و ويژگي¬هاي غيرخطي براي تشخيص تشنج به كارگرفته شده¬اند. يكي از مسائل مهم تشخيص اتوماتيك تشنج، انتخاب ويژگي و انتخاب كانال مناسب است. در اين پروژه روشي مبتني بر اطلاعات متقابل جهت انتخاب ويژگي و انتخاب كانال ارائه شده است. دقت مربوط به تركيب تعداد مختلفي كانال محاسبه شده است و نتيجه حاصله آن است كه تركيب 5 كانال دقت بالايي را فراهم مي¬كند بنابراين از بين 32 كانال 5 كانال مهم¬تر و از بين 84 ويژگي 10 ويژگي مهم¬تر با استفاده از اطلاعات متقابل انتخاب شده¬است، نتايج نشان دهنده دقت 17/0±44/99 مي¬باشد. سيگنال¬هاي داخل مغزي مربوط به 20 موش آزمايشگاهي درحين حركات آزادانه ثبت شده است. از مشخصه¬هاي مهم سيگنال¬هاي داخل مغزي حضور اسپايك¬ها مي¬باشد. در اين پژوهش فعاليت اسپايك¬ها در حالت نرمال، تشنج و فواصل بين تشنج با استفاده از تابع چگالي اسپايك (SDF) مورد بررسي قرار گرفته است. نتايج نشان مي¬دهد كه در طول تشنج نرخ اسپايك¬ها افزايش يافته است. در اين پژوهش الگوريتم تشخيص تشنج برمبناي اطلاعات متقابل روي داده¬هاي دكتر Andrzejak نيز پياده¬سازي شده است كه در مقايسه با كارهاي گذشته دقت 100 درصد بدست آمده است. واژه‌هاي كليدي: الكتروكورتيكوگرام (ECoG)، سيگنال داخل مغزي، انتخاب ويژگي، انتخاب كانال، اطلاعات متقابل، اسپايك.

1395/10/14

1/1/1900 12:00:00 AM

Abstract: Epilepsy is the one of the most serious neurological disorders. About 1% of people around the world are suffering from epilepsy. Therefore, investigation on epilepsy has drawn the attention of researchers recently. Detection of a seizure attack is traditionally carried out by viewing brains signals. It is often difficult an​d time consuming. Thus, providing automatic seizure detection system is important. In this study, we have tried to be provided an automatic seizure detection method using brain signals. In this research, Electrocorticogram (ECoG) an​d intracortical signals of the rats are used to seizures detection. ECoG signals were recorded from 40 rats an​d 32-channels. In this project, Time domain characteristics, frequency domain characteristics an​d nonlinear characteristics have been used to detect seizures. One of the important issues of automatic diagnosis of seizures is selection appropriate feature an​d Suitable channels. In this project, method based on mutual information for feature selection an​d channel selection is provided. The accuracy of the the combination of different channels is calculated an​d the result is that the combination of 5 channels provides a high accuracy. 10 most significant features among 84 features an​d 5 important channel between 32 channels using mutual information were selected. The results showed 99/44±0.17 accuracy. Intracranial signals were recorded from 20 rats during move freely. One of the most important characteristics of the intracranial signals is the manifestation of the spikes. In this study, spikes activity in normal state, ictal an​d interictal is studied using Spike density function (SDF). The results show that spike rate increased during the seizure. In this study, seizure detection algorithm based on mutual information is applied to an epileptic EEG dataset provided by Dr. R. Andrzejak. That in compared with previous works is achieved 100% accuracy. Keywords: Electrocorticographic (ECoG), Intracortical signal, feature selection, channel selection, spike.