25296

تشخيص اختلال شناختي خفيف با تجزيه تانسوري سيگنال هاي الكتروانسفالوگرافي

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

1400/06/16

دكتر وحيد شالچيان

مهندسي برق

اختلال شناختي خفيف مرحله مقدماتي و اوليه بيماري شديد آلزايمر است و تشخيص زودهنگام آن از اهميت زيادي براي خود شخص و همچنين اطرافيان او برخوردار است. با توجه به اينكه اين مرحله خفيف داراي علائم باليني دقيق و مشخصي نيست و درواقع علائم آن بين كهولت سن متعارف و زوال عقل حاد است، تشخيص آن كار دشواري است. در اين پژوهش با توجه به پيشينه خوب استفاده از مفهوم تانسور و تجزيه تانسوري در ساير كاربردها، براي تشخيص خودكار اختلال شناختي خفيف با استفاده از سيگنال الكتروانسفالوگرافي، براي نخستين بار از مفهوم تانسور و تجزيه تانسوري سيگنال EEG استفاده شده است و همچنين براي ساخت تانسور داده‌ها برخلاف روش‌هاي متعارف گذشته، نگاشت خاص و جديدي به نام نگاشت فاصله برابر آزيموثال انجام گرفته است كه اطلاعات موقعيت مكاني الكترودها نيز حفظ شود. براي تشكيل تانسور دادهها، ويژگي‌هاي متنوعي از قبيل توان باندهاي فركانسي مرسوم، توان نسبي باندهاي فركانسي و همچنين توان ريزباندهاي فركانسي در فواصل برابر و همچنين ويژگي‌هاي مرتبط با بي‌نظمي و پيچيدگي، مانند آنتروپي شانون، آنتروپي چند مقياسي، پيچيدگي لمپل-زيو نيز براي استخراج ويژگي استفاده شدند. در رابطه با ويژگي‌هاي مربوط به ارتباطات عملكردي نيز معيار انسجام و اطلاعات متقابل الكترودها و نواحي مختلف مغزي، استخراج شده و تانسور داده‌ها ساخته شد. سپس با استفاده از روش تجزيه تانسوري پارافاك، مؤلفه‌ها استخراج شده و از آن‌ها براي آموزش و طبقه‌بندي با ماشين بردار پشتيبان استفاده گرديد. روش ارائه شده روي دو مجموعه داده متنوع شامل گروه اول آزمايش كه 61 سوژه داشت و 29 نفر از آن‌ها داراي اختلال شناختي خفيف و 32 نفر افراد سالم بودند، پياده‌سازي شد و ميانگين دقت طبقه‌بندي 3/94 درصد حاصل شد. همچنين اين روش روي مجموعه داده دوم كه شامل 27 سوژه سالم و 25 مبتلا به اختلال شناختي خفيف و دقت 77/80 درصد كسب شد. دقت طبقه‌بندي در روش‌هاي سنتي مانند استفاده از توان باندهاي فركانسي، در مجموعه داده اول برابر با 54/89 درصد و در مجموعه داده دوم 5/67 درصد بوده است. لذا استفاده از روش پيشنهادي موجب بهبود عملكرد سيستم و افزايش قابل‌توجه دقت طبقه‌بندي بيماران اختلال شناختي خفيف و افراد كنترل و برتري نسبت به روش‌ سنتي گرديد.

1400/07/12

A Tensor Based Scheme for EEG-based Mild Cognitive Impairment Detection

9/7/2022 12:00:00 AM

Mild Cognitive Impairment (MCI) is the primary stage of severe Alzheimer's disease, and early detection is crucial for the person and those around him. It is difficult to recognize since this mild stage does not have clear clinical signs, and its symptoms are between normal aging and acute dementia. Here, we propose a tensor decomposition-based scheme for automatically diagnosing MCI using electroencephalography (EEG) signals. Due to the good history of using the concept of tensor and tensor decomposition in other applications, for the automatic diagnosis of mild cognitive impairment using electroencephalography signal, the concept of tensor and tensor decomposition of EEG signal has been used for the first time. Also, to construct the data tensor, contrary to the conventional methods of the past, a special and new projection has been done to preserve the spatial information of the electrodes. To construct a data tensor, various features such as the power of conventional frequency bands, the relative power of frequency bands, as well as the power of frequency microbands at equal intervals and have been used. Features related to irregularity and complexity, such as shannon entropy, multiscale sample entropy, lempel-ziv complexity were also used. Also regarding the features related to functional connectivity, the criteria of coherence and mutual information of electrodes and different areas of the brain were extracted and data tensor was constructed. Then, using parallel factor analysis (PARAFAC) tensor decomposition, the features are extracted, and a support vector machine (SVM) is used to discriminate MCI from normal subjects. The proposed method was implemented on two diverse datasets including the first group of experiments which had 61 subjects and 29 of them had mild cognitive impairment and 32 were healthy and the average classification accuracy was 94.3%. Also, this method on the second data set which included 52 subjects (27 healthy and 25 with mild cognitive impairment) was obtained 80.77% accuracy. It should be noted that this accuracy in traditional methods such as the use of frequency band power, in the first data set was equal to 89.54 % and in the second data set was 67.5 %. The results showed that the tensor-based proposed method outperformed conventional methods in diagnosing MCI. This scheme significantly improves the accuracy of classification and segregation of patients with MCI from normal subjects.

اختلال شناختي خفيف , تجزيه تانسوري , الكتروانسفالوگرافي , آلزايمر , پارافاك

Mild Cognitive Impairment (MCI) , tensor decomposition , Electroencephalogram (EEG) , Alzheimer's disease , Parallel Factor Analysis (PARAFAC)