18048

18048

تشخيص اختلال شناختي خفيف با استفاده از تحليل سيگنالهاي الكتروانسفالوگرام (EEG)

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

آبان ماه 1396

دكتر وحيد شالچيان

برق

بيماري آلزايمر (AD) شايع¬ترين عامل زوال عقلي و معضل جامعه مسن است. بيماري اختلال شناختي خفيف (MCI) مرحله ابتدايي بيماري آلزايمر(AD) است. تشخيص زودهنگام اين بيماري احتمال درمان آن را افزايش مي¬دهد. در اين مطالعه روش¬هاي جديدي جهت تشخيص MCI با تحليل سيگنال الكتروانسفالوگرام (EEG) پيشنهاد مي¬دهيم. سيگنال EEG به¬دليل غيرتهاجمي، كم¬هزينه و راحت بودن مورد استفاده گسترده قرار گرفته¬است. مطالعه روي دو گروه شامل 12 فرد سالم و 9 فرد مبتلا به اختلال شناختي خفيف صورت گرفت. دو رويكرد عمده استخراج ويژگي هاي توان طيف فركانسي و ويژگي هاي همگامي سيگنال مورد بررسي قرار گرفته¬است. در رويكرد استخراج ويژگي هاي توان طيفي از توان باندهاي فركانسي كانال¬هاي ثبت EEG و همچنين ويژگي¬هاي حاصل از الگوي فضايي مشترك (CSP) و بانك فيلتر الگوي فضايي مشترك (FBCSP) كه توسط معيار اطلاعات متقابل و همبستگي رتبه¬بندي مي-شوند، استفاده شده است. دررويكرد دوم از ويژگي¬هاي همگامي نظير ارتباطات عملكردي و ارتباطات تاثيري استخراج شده از باندهاي فركانسي متفاوت در سيگنال¬هاي كانالي و ناحيه¬اي استفاده شده و انتخاب ويژگي توسط معيارهاي همبستگي، اطلاعات متقابل و فاصله مراكز صورت گرفته است. نتايج اين مطالعه نشان داد كه در رويكرد استخراج ويژگي از توان طيفي به كارگيري همزمان فيلترهاي فضايي-طيفي با روش FBCSP بهترين دقت طبقه بندي را در مقايسه با ساير روش¬هاي بررسي شده به همراه دارد. همچنين در ميان روش¬هاي مختلف استخراج ويژگي¬هاي همگامي، نتايج نشان داد كه استفاده از ويژگي اطلاعات متقابل براي سنجش همگامي ميان نواحي مغزي در تمامي زيرباندهاي فركانسي به همراه معيار حداكثر فاصله مراكز براي انتخاب ويژگي¬ها بهترين دقت طبقه بندي ميان دوگروه افراد سالم و بيماران MCI را بوجود مي آورد. واژه‌هاي كليدي: اختلال شناختي خفيف، آلزايمر، الكتروانسفالوگرام (EEG)، الگوي فضايي مشترك، همگامي.

1396/08/22

9/22/2018 12:00:00 AM

Alzheimer's disease (AD) is the most common cause of dementia and major problem for the aged population. Mild cognitive impairment (MCI) is an early stage of Alzheimer's disease (AD). Early diagnosis of this disease increases the likelihood of treatment. In this study, we propose a new methods for detecting MCI by analyzing the Electroencephalogram (EEG) signal. The EEG signal is widely used because it is non-invasive, cheap, and convenient. The study was performed on two groups of 12 healthy subjects and 9 subjects with mild cognitive impairment. Two major approaches in feature extraction were used in this study. Band powers, common spatial pattern (CSP) and filter bank common spatial pattern (FBCSP) were employed as spectral, spatial and spatio-specteral filters for feature extraction in the first approach. In the second approach, different fuctional and effictive connectivity features were extracted from EEG signals. The extracted features in each approach were ranked by various criteria including mutual information, correlation and class center distance. Based on the results of this study, in the first approach, extracting features from spatio-spectral filters by FBCSP method outperformed other methods in classification accuracy. In the second approach, the results showed that using mutual information for measuring the connetivity between brain regions in all frequency sub-bands along with maximum class center distance criteria for features selection creates the best classification accuracy between two group healthy subjects and MCI patients. Keywords: Mild Cognitive Impairment, Alzheimer's disease, Electroencephalogram, Common spatial pattern, Synchronization.