شفاآنلاین>سلامت>پژوهشگران گروه مهندسی پزشکی دانشگاه تربیت مدرس روش جامعی برای پیش بینی حمله های صرعی از روی سیگنال های مغزی سطحی ارائه کردند.
به گزارش شفاآنلاین،صابر حبیبی که این پژوهش در قالب پایان نامه کارشناسی ارشد وی در رشته مهندسی پزشکی انجام شده است، گفت: بیش از ۶۵ میلیون نفر در دنیا مبتلا به بیماری صرع هستند.
وی افزود: بنابراین وجود الگوریتمهای پیشبینی کننده حملههای قریب الوقوع برای ایجاد هشدار قبل از وقوع حملههای صرعی برای جلوگیری از وقوع حمله و یا کاهش صدمات وارده، لازم و ضروری به نظر می رسد.
این پژوهشگر اظهار داشت: الکتروانسفالوگرام(EEG) ازجمله سیگنالهای حیاتی پرکاربرد برای پیشبینی حملههای صرعی است.
حبیبی عنوان کرد: روشهای پیشنهادشده در مطالعات قبلی به دلیل وجود تفاوت در نوع حمله ها و همچنین کوتاهمدت بودن ثبتها و عدم ارزیابی آماری نتایج بدست آمده، قابل اعتماد نبوده است.
وی اظهار داشت: برای غلبه به این محدودیت ها، در این پژوهش، روش جامعی بر اساس استخراج ویژگیهای جدید از حالت های پیش صرعی و غیرصرعی از سیگنالهای الکتروانسفالوگرام سطحی و انتخاب ویژگیهایی با قابلیت جداپذیری بیشینه بین دادههای دو کلاس غیرصرعی و پیش صرعی ارائهشده است.
این پژوهشگر گفت: آنتروپی فازی معیاری برای محاسبه میزان بینظمی سیگنال است. از این ویژگی، در مطالعات قبلی برای تحلیل سیگنالهای حیاتی مختلفی مانند EMG و ECG استفاده شده است. همچنین در حوزه صرع نیز برای آشکارسازی حملههای صرعی به کار رفته است.
حبیبی ادامه داد: در این مطالعه، آنتروپی فازی برای پیشبینی حملههای صرعی به صورت بیمار به بیمار استفاده میشود.
وی افزود: ابتدا ویژگی آنتروپی فازی از ثبت های EEG سطحی چندکاناله، استخراج شده است.
این پژوهشگر اضافه کرد: مرحله انتخاب ویژگی و طبقه بندی به دو قسمت انتخاب و طبقه بندی تک ویژگی و چندویژگی تقسیم شده است. در رویکرد انتخاب و طبقه بندی تک ویژگی، با استفاده از ماتریس پراکندگی، تک ویژگی که بیشترین جداپذیری میان کلاس پیش صرعی و غیرصرعی را داشته انتخاب و با استفاده از آستانه گذاری طبقه بندی شده است.
حبیبی تاکید کرد: درصورتی که تک ویژگی انتخاب شده نتایج پیش فرض(حساسیت بالای ۶۶ درصد نرخ پیش بینی اشتباه کمتر از ۲/۰) را نداشته باشد، رویکرد انتخاب و طبقه بندی ویژگی چندبعدی اتخاذ شده است.
وی اضافه کرد: در رویکرد دوم، ویژگی های چندبعدی از روی داده های آموزشی فرد، با الگوریتم SFS انتخاب و به طبقه بند ماشین بردار پشتیبان با هسته RBF دادهشده است.
این پژوهشگر اضافه کرد: روش معرفیشده روی پایگاه داده CHB-MIT شامل ثبتهای سطحی از افراد با محدوده سنی ۲۲-۵.۱ سال آزمایش شده است.
حبیبی گفت: درنهایت معیارهای ارزیابی مانند حساسیت، نرخ پیشبینی اشتباه، میانگین زمان پیش بینی، مقدار p-value گزارش و با مطالعات اخیر مقایسه شده است.
وی افزود: نتایج شبیه سازی ها نشان میدهد که روش پیشنهادی در مقایسه با مطالعات اخیر از داده های پیش صرعی کمتری برای آموزش استفاده کرده و به نتایج مشابه رسیده است.