16306

16306

تحلليل سيگنال‌هاي الكتروانسفالوگرام بيماران مبتلا به ام‌اس با روش‌‌هاي غيرخطي

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

1392

مهرماه 1395

دكتر محمدرضا دليري - دكترسيد حجت سبزپوشان

برق

چكيده سيگنال‌‌هاي مغزي الكتروانسفالوگرام كاربردهاي مهمي ‌را در زمينه‌هاي گوناگون پزشكي همچون تشخيص بيماري، دارا مي‌باشد. بيماري ام‌اس يك بيماري التهابي است كه در آن غلاف‌‌هاي ميلين سلول‌هاي عصبي در مغز و نخاع آسيب مي‌بيند. در اين‌حالت، ديگر آكسون عملكرد مطلوبي ندارد و سيگنال الكتريكي نمي‌تواند به درستي بين نورون‌ها در جريان باشد. معمولا ام‌اس بر اساس نشانه‌ها، علايم و نتايج آزمايش‌هاي پزشكي تشخيص داده مي‌شود. در اين پايان‌نامه هدف تشخيص و دسته‌بندي سيگنال‌هاي مربوط به افراد سالم و بيمار مي‌باشد. مجموعه داده‌ي ثبت شده متشكل از 12 فرد، شامل 5 فرد مبتلا به بيماري ام‌اس و 7 فرد سالم، مي‌باشد. دو نوع Task به كاربر ارايه مي‌شود كه يك نوع مربوط به توجه به ويژگي و ديگري مربوط به توجه به مكان مي‌باشد. سيگنال EEG در حين انجام اين دو نوع Task ثبت مي‌شود. پس از انجام پيش‌پردازش‌هاي مناسب نظير حذف خط مبنا و داده‌ها‌ي پرت و نيز تفكيك باندهاي گوناگون EEG ، روش‌هاي غيرخطي شامل نماهاي لياپانوف، بعد فركتال كتز و هيگوچي، آنتروپي‌هاي تقريبي و نمونه و معيار پيچيدگيl-z ، بر روي سيگنال(كه همه‌ي آهنگ‌هاي EEG را در خود دارد) و همچنين زير باندهايش اعمال مي‌شود. در قسمت كاهش ويژگي، روش انتخاب ويژگي اسكالر با معيار T-test به كار گرفته شده است. براي تفكيك بيماران مبتلا به ام‌اس از افراد سالم، از طبقه‌بندي‌كننده‌ي SVM با هسته‌ي خطي استفاده مي‌گردد. در Task مربوط به تغيير ويژگي، تفكيك با دقت 79.79%، در تعداد 616 ويژگي برتر، و در Task مربوط به تغيير مكان، تفكيك با دقت 93.08% در تعداد 24 ويژگي برتر، انجام شده‌ است. اين نتايج نشان مي‌دهند كه روش‌هاي غيرخطي در تفكيك افراد سالم از بيماران مبتلا به ام‌اس به وسيله‌ي سيگنال‌هاي EEG، عملكرد مطلوبي داشته‌اند. واژه‌هاي كليدي: سيگنال‌هاي الكتروانسفالوگرام، تشخيص ام‌‌اس، ويژگي‌هاي غيرخطي، SVM.

1395/10/26

1/1/1900 12:00:00 AM

Abstract: EEG signals have essential an​d important information about brain an​d neural disease. The purpose of this study is classifying 2group (7healthy volunteers an​d 5M.S patient). EEG signals are recorded when users are doing two task. These are attention tasks which one of them is based on color luminance changing an​d the other is based on direction changing. In addition to EEG signals, we want to analysis EEG sub-bands. So EEG sub-bands were extracted. After recording an​d preprocessing, for EEGs an​d sub-bands, state space is reconstructed by time delay embedding method an​d embedding parameters are determined. Then we use nonlinear features include Lyapunov Exponents, Approximate Entropy, Sample Entropy, Hurst Exponent, Higuchi an​d Katz fractal Dimensions an​d L-Z complexity for feature extracting. In order to reduce the feature numbers feature selection is done by T-test criterion. For direction an​d color luminance based tasks, classification performances are 93.08% an​d 79.79% respectively (both in optimal feature numbers). Keywords: Electroencephalogram (EEG), Multiple Sclerosis (MS), Attention Task, Nonlinear Features, Support Vector Machine (SVM)