18907

۱۸۹۰۷

طراحي سيستم پيش بيني و شناسايي كننده حمله اپيلپتيك منطبق با طبيعت سيگنال الكتروانسفالوگرام و نرخ خطاي مثبت پايين

كارشناسي ارشد

الكترونيك

۱۳۹۷/۱/۲۹

دكتر سيد محمد رضا موسوي ميركلايي

برق

تلاش در راستاي طراحي الگوريتمي ساده و هماهنگ با طبيعت سيگنال الكتروانسفالوگرام ،هدف ما در اين پروژه براي بررسي تغييرات سيگنال در طي مراحل حملات اپيلپتيك ميباشد. در اين تحقيق با در نظر داشتن اين دو هدف مهم، به طراحي سيستم پيشبيني و شناسايي كننده حمله پرداخته شده است. ميزان قابليت اطمينان سيستم با استفاده از شاخصهاي منطبق با طبيعت سيگنال الكتروانسفالوگرام به صورت چشمگيري افزايش يافته است. به علاوه، ميزان صحت نتايج به دست آمده با در نظر گرفتن ساختارهاي حمله متفاوت در بيماران مختلف بهبود يافته است. در طراحي سيستم پيشبيني حمله پيشنهادي از يك تحليل چند-متغيره بهره برده شده است. شاخص مورد بررسي ما در طراحي اين سيستم، تغييرات ميزان همگامي شبكه نروني مغز ميباشد. محاسبه ميزان همگامي بر 94 پايه همگامي مبتني بر رخداد طرحريزي شده است. با استفاده از اين روش ما توانستهايم به حساسيت % و .3 دقيقه دست يابيم. نرخ خطاي 51 براي محدوده پيشبيني حمله متوسط برابر با ، نرخ خطاي مثبت برابر با صفر ميزان قابليت اطمينان هشدارهاي وقوع حمله اعلام شده توسط ، مثبت بسيار پايين به دست آمده در اين روش سيستم را بالا ميبرد. از سوي ديگر، محدوده پيشبيني حمله با طول مناسب امكان استفاده از درمانهاي دارويي براي پيشگيري و يا تخفيف شدت حمله را فراهم ميآورد. علاوه بر استفاده از درمانهاي دارويي براي مقابله با حملات اپيلپتيك، ميتوان از تحريك الكتريكي مغز براي تخفيف و كاهش طول حمله و يا برش قسمت مولد حمله در مغز براي درمان بيماري اپيلپسي نيز استفاده نمود. به منظور استفاده از روشهاي درماني ذكر شده، بايد وقوع حمله اپيلپتيك با كمترين ميزان تأخير ممكن شناسايي شود. در راستاي رسيدن به اين هدف، ما با استفاده از يك شاخص آماري تركيبي توانستهايم ميزان تأخير متوسط % و نرخ 100 كاهش دهيم. از ديگر مزاياي سيستم طراحي شده ميتوان به حساسيت 475msشناسايي حمله را خطاي مثبت در حد صفر نيز اشاره كرد.

1397/03/09

9/23/2019 12:00:00 AM

In this project, we aim to design a simple, Electroencephalogram signal’s nature compatible algorithm to study signal changes during different stages of an epileptic seizure. Considering these two goals, we have designed a seizure prediction and detection system. Using Electroencephalogram signal’s nature compatible features have lead to a reliable design. Furthermore, the accuracy of the system is enhaced by considering different seizure structures across patients. A multivariate analysis approach is used in designing the proposed seizure prediction system. We used the neural network’s synchronization changes as a seizure accurrence propounding feature. The calculation of synchronization is done through the event based synchronization theory. The achieved sensitivity and false positive rate are 94.3% and zero, respectively for an average seizure prediction horizon of 51min. The low false positive rate obtained ensures the reliability of the propounded seizure accurrence alerts. Furthermore, the achieved suitable seizure prediction horizon provides the possibility of using an on-time pharmacological treatment to prevent or ease the oncoming seizure. Brain electrical stimulation and epileptogenic focus resection are the other treatment choices for epileptic patients. For using these treatments, the seizure must be detected by the time of seizure onset. To do so, we have obtained a total latency of 475ms by using hybrid descriptive statistical features. A sensitivity of 100% and almost equal to zero false positive rate can be mentioned as the other advantages of the proposed seizure detection system.