[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله ::
:: دوره 9، شماره 1 - ( زمستان 1399 ) ::
دوره 9 شماره 1 صفحات 110-119 برگشت به فهرست نسخه ها
پیش‌بینی تشنج صرعی از روی ویژگی‌های طیفی، زمانی و مکانی سیگنال‌های نوار مغزی با استفاده از الگوریتم‌های یادگیری عمیق
نازنین محمد خانی غیاثوند، فؤاد قادری*
آزمایشگاه تعامل انسان و کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران ، fghaderi@modares.ac.ir
چکیده:   (1089 مشاهده)
مقدمه: صرع یکی از شایع‌ترین اختلالات دستگاه عصبی است که به میزان زیادی زندگی بیماران را تحت تاثیر قرار می‌دهد. تشخیص زودهنگام حملات صرعی، تأثیر زیادی بر کیفیت زندگی بیماران خواهد گذاشت. در این پژوهش، یک معماری با ساختار شبکه عصبی عمیق برای یادگیری ویژگی‌های ارزشمند از سیگنال‌های نوار مغزی (EEG) به منظور تشخیص و همچنین پیش‌بینی تشنج‌های صرعی ارائه شده است. مواد و روش‌ها: معماری ارائه‌شده متشکل از شبکه‌های عصبی پیچشی و حافظۀ طولانی کوتاه-مدت است و به نحوی طراحی شده است که  داده‌های مکانی، زمانی و طیفی سیگنال‌های EEG را به کار ببندد. علاوه بر این، شبکه طراحی‌شده بر روش‌های انتخاب صریح الکترودها تکیه ندارد. مدل ارائه شده روی مجموعه داده بیمارستان کودکان بوستون-مؤسسه فناوری ماساچوست (CHB-MIT) بکار بسته شده است. به منظور ارزیابی مدل، از رویکرد ارزیابی مختص بیمار (Patient-Specific) استفاده شده است. یافته‌ها: حساسیت معماری در پیش‌بینی تشنج برابر با 7/9 ± 90/7،  نرخ پیش‌بینی اشتباه تشنج برابر با 0/12 در ساعت و میانگین مدت زمان پیش‌بینی تشنج تا وقوع تشنج برابر با 36/8 دقیقه به ‏دست آمد. همچنین مدل ارائه‌شده ناحیۀ کانون تشنج (در تشنج‌های کانونی) را نیز تخمین می‌زند. نتیجه‌گیری: مدل ارائه‌شده به توانایی بالایی در پیش‌بینی تشنج دست یافت. همچنین با استفاده از قابلیت استخراج خودکار ویژگی‌ها در یادگیری عمیق، الگوی سیگنال‌ها دربازۀ پیش از تشنج با دقت مناسبی تعیین شدند. به ‏علاوه، مدل بوسیلۀ تخمین ناحیۀ کانون تشنج، می‌تواند متخصصان اعصاب را در اقدامات درمانی مرتبط یاری نماید.
واژه‌های کلیدی: بیماران، یادگیری عمیق، نوار مغز
متن کامل [PDF 997 kb]   (281 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: نورولوژی
فهرست منابع
1. Thijs RD, Surges R, O'brien TJ. Sander JW, "Epilepsy in adults. vol. 393, ed: The Lancet, 2019; p. 611-716. [DOI:10.1016/S0140-6736(18)32596-0]
2. Stafstrom CE, Carmant L. Seizures and epilepsy: An overview for neuroscientists." Cold Spring Harb Perspect Med, 2015. [DOI:10.1101/cshperspect.a022426]
3. Miller JW, Hakimian S. Surgical treatment of epilepsy. ed: CONTINUUM Lifelong Learning in Neurology, 2013. [DOI:10.1212/01.CON.0000431398.69594.97]
4. Sharif B, Jafari AH. Prediction of epileptic seizures from EEG using analysis of ictal rules on Poincaré plane," Computer Methods and Programs in Biomedicine. 2017; 11-22. [DOI:10.1016/j.cmpb.2017.04.001]
5. Aarabi A and He B. Seizure prediction in patients with focal hippocampal epilepsy. Clinical Neurophysiology, 2017; 7: 1299-307. [DOI:10.1016/j.clinph.2017.04.026]
6. Eftekhar A, Juffali W, El-Imad J, Constandinou TG, Toumazou C. Ngram-derived pattern recognition for the detection and prediction of epileptic seizures. PLoS ONE, 2014; 6. [DOI:10.1371/journal.pone.0096235]
7. Park Y, Luo L, Parhi KK, Netoff T.Seizure prediction with spectral power of EEG using cost-sensitive support vector machines. Epilepsia, 2011; 10: 1761-70. [DOI:10.1111/j.1528-1167.2011.03138.x]
8. Gadhoumi K, Lina JM, Gotman J. Seizure prediction in patients with mesial temporal lobe epilepsy using EEG measures of state similarity. Clinical Neurophysiology, 2013; 9: 1745-754. [DOI:10.1016/j.clinph.2013.04.006]
9. Rogowski Z, Gath I, Bental E. On the prediction of epileptic seizures. Biological Cybernetics, 1981; 1: 9-15 [DOI:10.1007/BF00335153]
10. Mirowski P, Madhavan D, Lecun Y, Kuzniecky R. Classification of patterns of EEG synchronization for seizure prediction. Clinical Neurophysiology, 2009; 11: 1927-940. [DOI:10.1016/j.clinph.2009.09.002]
11. Beniczky S, Aurlien H, Brøgger JC, Fuglsang-Frederiksen A, Martins-Da-Silva A, Trinka E et al. Standardized Computer-Based Organized Reporting of EEG: SCORE. Epilepsia, 2013; 6: 1112-24. [DOI:10.1111/epi.12135]
12. Winterhalder M, Schelter B, Maiwald T, Brandt A, Schad A, Schulze-Bonhage A et al. Spatio-temporal patient-individual assessment of synchronization changes for epileptic seizure prediction. Clinical Neurophysiology, 2006; 11: 2399-413. [DOI:10.1016/j.clinph.2006.07.312]
13. Alexandros T, Markos G, Dimitrios G, Evaggelos C, Astrakas L, Konitsiotis S et al. Automated Epileptic Seizure Detection Methods: A Review Study. in Epilepsy -Histological, Electroencephalographic and Psychological Aspects: InTech, 2012.
14. Shoeb AH. Application of machine learning to epileptic seizure onset detection and treatment. ed: Massachusetts Institute of Technology, 2009.
15. Panayiotopoulos CP. A Clinical Guide to Epileptic Syndromes and their Treatment. Springer-Verlag London, 2010. [DOI:10.1007/978-1-84628-644-5]
16. Zhang Z and Parhi KK. Low-Complexity Seizure Prediction From iEEG/sEEG Using Spectral Power and Ratios of Spectral Power. IEEE Transactions on Biomedical Circuits and Systems, 2016; 3: 693-706 [DOI:10.1109/TBCAS.2015.2477264]
17. Alickovic E, Kevric J, Subasi A. Performance evaluation of empirical mode decomposition, discrete wavelet transform, and wavelet packed decomposition for automated epileptic seizure detection and prediction," Biomedical Signal Processing and Control. 2018; 94-102. [DOI:10.1016/j.bspc.2017.07.022]
18. Khan H, Marcuse L, Fields M, Swann K, Yener B. Focal onset seizure prediction using convolutional networks. IEEE Transactions on Biomedical Engineering, 2018; 9: 2109-118. [DOI:10.1109/TBME.2017.2785401]
19. Truong ND, Nguyen AD, Kuhlmann L, Bonyadi MR, Yang J, Ippolito S et al. Convolutional neural networks for seizure prediction using intracranial and scalp electroencephalogram. IEEE Transactions on Biomedical Engineering. 2018; 104-111. [DOI:10.1016/j.neunet.2018.04.018]
20. Thodoroff P, Pineau J, Lim A. Learning Robust Features using Deep Learning for Automatic Seizure Detection. Journal of Machine Learning Research, 2016.
21. Snyder JP. Map projections- a working manual in Geological Survey professional paper; 1395," U.S. Geological Survey professional paper 1395, 1987. [Online]. Available: http://pubs.usgs.gov/pp/1395/report.pdf [DOI:10.3133/pp1395]
22. Bashivan P, Rish I, Yeasin M, Codella N. Learning Representations from EEG with Deep Recurrent-Convolutional Neural Networks," presented at the ICLR 2016.
23. Guo N, Yang Z, Jia Y, Wang L. Model updating using correlation analysis of strain frequency response function. Mechanical Systems and Signal Processing, 2016; 284-99. [DOI:10.1016/j.ymssp.2015.09.036]


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mohammadkhani Ghiasvand N, Ghaderi F. Epileptic Seizure Prediction from Spectral, Temporal, and Spatial Features of EEG Signals Using Deep Learning Algorithms. Shefaye Khatam. 2020; 9 (1) :110-119
URL: http://shefayekhatam.ir/article-1-2108-fa.html

محمد خانی غیاثوند نازنین، قادری فؤاد. پیش‌بینی تشنج صرعی از روی ویژگی‌های طیفی، زمانی و مکانی سیگنال‌های نوار مغزی با استفاده از الگوریتم‌های یادگیری عمیق. مجله علوم اعصاب شفای خاتم. 1399; 9 (1) :110-119

URL: http://shefayekhatam.ir/article-1-2108-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 1 - ( زمستان 1399 ) برگشت به فهرست نسخه ها
مجله علوم اعصاب شفای خاتم The Neuroscience Journal of Shefaye Khatam
Persian site map - English site map - Created in 0.04 seconds with 30 queries by YEKTAWEB 4341