For Better Performance Please Use Chrome or Firefox Web Browser

Zahra Kouroshzade (زهرا کورش زاده)

تحلیل سیگنال­های مغزی براساس گراف­های چند­بخشی

امروزه صرع یکی از شایع­ترین بیماری­ها به شمار می­رود. طبق اعلام سازمان بهداشت جهانی تقریباً 65 میلیون نفر در دنیا مبتلا به صرع هستند. این بیماری در تمامی گروه­های سنی ممکن است رخ دهد؛ بنابراین تشخیص به‌موقع آن می­تواند از بروز پیامدهای ناشی از بیماری جلوگیری کند. ازآنجایی‌که استفاده از سیگنال­­های الکتروانسفالوگرام برای تشخیص بیماری روشی غیرآسیب­زا است، از این روش برای تشخیص صرع و بسیاری از بیماری­های دیگر مانند آلزایمر و سندروم خستگی مزمن استفاده می­شود.

از چالش­های موجود می­توان به وجود خدشه در سیگنال اشاره کرد که خواندن سیگنال را سخت می­کند و احتمال خطا را بالا می­برد. عوامل زیادی روی ایجاد خدشه هنگام ضبط داده­های الکتروانسفالوگرام تأثیر دارند. برای مثال پلک‌زدن و حرکات سروگردن می­توانند باعث ایجاد خدشه در سیگنال­ها شوند. به­علاوه تحلیل سیگنال­های ضبط شده یک کار تخصصی است و نیاز به یک فرد آموزش­دیده دارد، بنابراین استفاده از روش­های خودکار تشخیص بیماری و مراحل آن می­تواند کمک‌کننده باشد.

برای حل این چالش­ها از روش­های تشخیص خودکار استفاده می­شود. این روش­ها وجود خدشه را در سیگنال تشخیص داده و آن را حذف می­کنند. همچنین تحلیل مناسبی از نتایج را ارائه می­دهند. تا کنون روش­های متعددی برای تشخیص مراحل صرع از تشنج ارائه شده است که از جمله آن­ها می­توان روش­های مبتنی بر گراف و شبکه­های پیچیده را نام برد. این روش­ها تمام خواص سری زمانی را حفظ نمی­کنند و به یک رویکرد جدید نیاز است که ضمن حفظ تمامی خواص سری زمانی، بازنمایی مناسبی از آن نیز ارائه دهد.

               در این پژوهش یک رویکرد جدید برای تشخیص مراحل صرع از تشنج ارائه می­شود. این رویکرد مبتنی بر ساخت شبکه چندگانه از گراف­های پدیداری است. ابتدا طول سیگنال­ها با استفاده از عامل مقیاس کاهش می‌یابد تا پیچیدگی محاسباتی مسئله کم­تر شود. سپس یک گراف پدیداری برای هر سیگنال از هر مجموعه داده ساخته می­شود. این گراف­های پدیداری تشکیل یک شبکه­ی چندگانه می­دهند. انسجام شبکه­ی چندگانه با میانگین هم­پوشانی یال­ها بررسی می­شود. یک تصویر کردن از 100 لایه روی یک لایه انجام می­گیرد که گرافی کامل و وزن­دار را به عنوان خروجی می­دهد. خلوت­سازی با حذف کمینه­ها به انتخاب ویژگی مناسب­تر کمک می­کند. در پایان ویژگی­های شبکه به عنوان ورودی به طبقه­بند داده می­شود. ارزیابی عملکرد پیشنهادی دقت، فراخوانی و صحت 100 درصدی برای شبکه­ی حاصل از گراف­های پدیداری افقی و پدیداری طبیعی را به همراه داشت. همچنین میانگین دقت 95 درصد برای شبکه حاصل از گراف پدیداری دایره­ای حاصل شد؛ بنابراین رویکرد پیشنهادی خواص سری زمانی برای سیگنال­های مراحل مختلف صرع را حفظ می­کند و از نظر دقت، صحت و فراخوانی نسبت به کارهای پیشین عملکرد بهتری دارد.

 

کلمات کلیدی: الکتروانسفالوگرافی، صرع، شبکه چندگانه، گراف پدیداری، سری زمانی، تشنج، EEG

Grade: 
Graduated
Website: 
https://www.linkedin.com/in/zahra-kouroshzadeh/