ارزیابی آنالیز الکتروانسفالوگرافی (EEG) اتوماتیک صرع
18,500 تومانشناسه فایل: 11453
- حجم فایل ورد: 560.5KB حجم پی‌دی‌اف: 2.3MB
- فرمت: فایل Word قابل ویرایش و پرینت (DOCx)
- تعداد صفحات فارسی: 41 انگلیسی: 19
- دانشگاه:
- Department of Electronics and Computer Engineering, Ngee Ann Polytechnic, Singapore 599489, Singapore
- Department of Biomedical Engineering, Faculty of Engineering, University of Malaya, Malaysia
- Visiting Scientist, Global Biomedical Technologies, CA, USA
- Department of Applied Electronics & Instrumentation, Government Engineering College, Kozhikode, Kerala 673 005, India
- Department of Biomedical Engineering (Affl.), Idaho State University, Pocatello, ID, USA
- Point of Care Division, CTO, Global Biomedical Technologies, Inc., 208 Otter Glen CT, Roseville, CA 95661, USA
- ژورنال: Knowledge-Based Systems (3)
چکیده
صرع نوعی اختلال الکتروفیزیولوژیکی مغز است که مشخصه اصلی آن حملات تکرار شونده می‌باشد. الکتروانسفالوگرام (EEG) آزمونی است که فعالیت الکتریکی مغز را اندازه‌گیری و ثبت می‌کند و به طور گسترده در آشکارسازی و تحلیل حملات صرع بکار گرفته می‌شود. با این حال، شناسایی تغییرات نامحسوس ولی مهم شکل موج الکتروانسفالوگرام از طریق بازرسی بصری اغلب کار دشواری است، از این رو، حوزه پژوهشی وسیعی برای مهندسان زیست پزشکی فراهم می‌آید تا الگوریتم‌های هوشمند متعددی را جهت شناسایی این قبیل تغییرات نامحسوس طراحی و پیاده‌سازی کنند. علاوه بر این، سیگنال‌های الکتروانسفالوگرام ماهیت غیرخطی و ناایستا دارند که این خود به افزایش پیچیدگی‌های مرتبط با تفسیر و آشکارسازی دستی فعالیت‌های عادی و غیرعادی (اینترایکتال و ایکتال) کمک می‌کند. بدین جهت، طراحی سیستم تشخیص کامپیوتری (CAD) برای شناسایی خودکار فعالیت‌های عادی و غیرعادی با استفاده از کمترین تعداد ویژگی‌های بسیار افتراقی در دسته‌بندها امری ضروری است. تحقیقات روشن نموده است که ویژگی‌های غیرخطی قادرند پدیده‌های پیچیده فیزیولوژیکی نظیر انتقال‌های ناگهانی و رفتار پر هرج و مرج در سیگنال‌های الکتروانسفالوگرام را ذخیره کنند. در این نقد و بررسی، روش‌های گوناگون استخراج ویژگی و نتایج تکنیک‌های متفاوت آشکارسازی خودکار مرحله صرع را به تفصیل مورد بحث قرار می‌دهیم. هم‌چنین چالش‌های نامحدود متعددی را که لازم است قبل از نصب سیستم آشکارسازی صرع مبتنی بر تشخیص کامپیوتری در محیط بالینی مورد توجه قرار گیرد، به اختصار ارائه می‌هیم.
مقدمه مقاله
صرع، شایع‌ترین اختلال عصبی است که 50 میلیون نفر در سراسر جهان به آن مبتلا هستند و از این تعداد 85 درصد به کشورهای در حال توسعه مربوط می‌شود. حدود 4/2 میلیون مورد جدید نیز هر ساله در کل جهان اتفاق می‌افتد. دست کم 50 درصد موارد ابتلا به صرع در سنین کودکی و نوجوانی شروع می‌شود [124]. حمله ناگهانی نیز ممکن است در جمعیت سالخوردگان (افراد بالای 65 سال) مشاهد شود [92]. در افراد مبتلا به صرع احتمال مرگ زودرس دو سه برابر بیشتر از یک فردی عادی است [124]. از این رو، تحقیق روی بیماری صرع همواره بیشترین اهمیت را در تحقیقات زیست پزشکی داشته است.
صرع نوعی اختلال مزمن مغز با علامت مشخصه حملات ناگهانی است که می‌تواند هر فردی را در هر سنی مبتلا کند. این بیماری با تشنج‌های تکرار شونده در یک بازه زمانی مشخص می‌شود. وقوع حملات ممکن است بین یکبار در سال یا با چند بار تکرار در روز متغیر باشد. اختلال صرع و حمله ناگهانی یکسان نیستند؛ به عبارتی، تمام حملات ناگهانی، حمله صرع محسوب نمی‌شوند. صرع با حملات بی‌جهت ناشی از درگیری سیستم اعصاب مرکزی تشخیص داده می‌شود. این امر معلول فرآیند پیدایش صرع [24] است که در آن شبکه نورونی عادی به طور ناگهانی به یک شبکه بسیار تحریک‌پذیر تبدیل شده و بیشتر بر قشر مغز تأثیر می‌گذارد؛ بر این اساس، تا حدود زیادی غیرقابل پیش‌بینی و خطر آن نیز بسیار بالاست. از طرفی، اختلالات حملات غیر صرعی ممکن است علل پیمایش‌ناپذیر متعددی نظیر سکته مغزی، زوال عقل، ضربه به سر، عفونت‌های مغز، نواقص مادرزادی زمان تولد، آسیب‌های مغزی، تومورها و دیگر ضایعات اشغال‌کننده فضا داشته باشد. شکل نهایی صرع، صرع بیمارگونه و ثانویه نامیده می‌شود. برای صرع ثانویه می‌توان معیارهای پیشگیرانه را مطابق دلایل مختلف بیماری اتخاذ کرد. ذکر این نکته نیز جالب توجه است که در بیش از 80 درصد موارد نمی‌توان علل قطعی بیماری را معلوم کرد. این نوع بسیار شایع صرع به عنوان صرع ناشناخته یا اولیه شناخته می‌شود، در نتیجه غیرقابل پیشگیری است، ولی با داروهای ضد صرع می‌توان آن را درمان کرد.
حملات صرع به دلیل نقص در کارکرد سیستم الکتروفیزیولوژیکی مغز اتفاق می‌افتد که این نیز باعث تخلیه الکتریکی بیش از حد و ناگهانی در دسته‌ای از سلول‌های مغز (یعنی، نورون‌ها) موجود در قشر مخ می‌شود. درگیری قشر مخ به ایجاد ناهنجاری در عملکردهای حرکتی منجر می‌شود که در نتیجه آن گرفتگی‌های (تقویت‌کننده – ارتجاعی) نامنظم عضلات و مفاصل بوجود می‌آید. فیزیولوژی اصلی عبارت است از فعالیت همزمان و بیش از حد نورون‌ها که باعث تغییرات دستکاری شده و نامناسب در فعالیت حسی و حرکتی می‌شود. به جای تخلیه کنترل شده انرژی الکتریکی، افزایش ناگهانی و وسیع انرژی بوسیله سلول‌های مغزی صورت می‌گیرد که باعث وقوع حملات صرع می‌شود. این حملات نشان‌دهنده تغییرات وسیع در ویژگی‌ها هستند. حمله را می‌توان انقباض ناگهانی یک عضله کوچک و تبدیل آن به تشنج‌های شدید، فراگیر و طولانی تلقی کرد. وقوع حملات تکرار شونده و ناگهانی خطرناک بوده و می‌تواند وضعیت‌های مرگباری را به دنبال داشته باشد [20]. ویژگی‌های حمله به 1) ناحیه خاص درگیر در مغز، 2) وسعت تخلیه الکتریکی غیرعادی و نیز 3) سرعت آن بستگی دارد.
دانش بشر از کارکرد مغز هنوز برای شناخت ویژگی‌های یک مغز مبتلا به صرع کافی نمی‌باشد [51]. علائم موقت احتمالی صرع عبارتند از: از دست دادن هوشیاری، ناهنجاری‌های تقریباً غیرقابل شناسایی در الگوی حرکت، انقباض بسیار خفیف عضلات، اختلال در حواس دیداری، شنیداری، چشایی و خلق، و بسیاری از علائم دیگر که اغلب فراتر از تشخیص دستی هستند. علاوه بر این، حملات صرع معمولاً بدون هر گونه اختلال خارجی خود به خود شروع و پایان می‌یابند و ممکن است بدون جلب توجه به قوت خود باقی بمانند. از این رو، تشخیص و سنجش حملات صرع باید فرآیندی مستمر باشد و هم‌چنین چالش‌های مهندسی مختلفی را دخیل نماید. در بخش 1.1 روش‌های متفاوت بکار رفته فعلی در تشخیص صرع را معرفی می‌کنیم. در بخش 1.2 نیز استفاده از سیگنال‌های الکتروانسفالوگرام در تشخیص صرع از طریق شناسایی فعالیت‌های متعدد مرتبط با الکتروانسفالوگرام (پری ایکتال، اینترایکتال و ایکتال) که در داخل یا پیرامون حملات رخ می‌دهد، به اختصار مورد بحث قرار می‌دهیم.
ABSTRACT Automated EEG analysis of epilepsy: A review
Epilepsy is an electrophysiological disorder of the brain, characterized by recurrent seizures. Electroencephalogram (EEG) is a test that measures and records the electrical activity of the brain, and is widely used in the detection and analysis of epileptic seizures. However, it is often difficult to identify subtle but critical changes in the EEG waveform by visual inspection, thus opening up a vast research area for biomedical engineers to develop and implement several intelligent algorithms for the identification of such subtle changes. Moreover, the EEG signals are nonlinear and non-stationary in nature, which contribute to further complexities related to their manual interpretation and detection of normal and abnormal (interictal and ictal) activities. Hence, it is necessary to develop a Computer Aided Diagnostic (CAD) system to automatically identify the normal and abnormal activities using minimum number of highly discriminating features in classifiers. It has been found that nonlinear features are able to capture the complex physiological phenomena such as abrupt transitions and chaotic behavior in the EEG signals. In this review, we discuss various feature extraction methods and the results of different automated epilepsy stage detection techniques in detail. We also briefly present the various open ended challenges that need to be addressed before a CAD based epilepsy detection system can be set-up in a clinical setting.
Introduction
Epilepsy is the most common neurological disorder affecting 50 million people world-wide, 85% of which belong to the developing countries. Around 2.4 million new cases occur every year globally.
At least 50% of the epileptic cases begin at childhood or adolescence [124]. Sudden onset may also be seen in geriatric population (people above the age of 65) [92]. Epileptic people are two or three times more likely to die prematurely when compared to a normal person [124]. Hence, study of epilepsy has always been an utmost importance in the biomedical field of research. Epilepsy is a chronic brain disorder, characterized by seizures, which can affect any person at any age. It is characterized by recurrent convulsions over a time-period. The episodes may vary as low as once in a year to frequent fits occurring several times per day.
Epilepsy and seizure disorders are not the same; in other words all the seizures are not epileptic fits. Epilepsy is characterized by unprovoked seizures due the involvement of the central nervous system. It is due to the process of ‘epileptogenesis’ [24] where normal neuronal network abruptly turns into a hyper-excitable network, affecting mostly the cerebral cortex. It is therefore highly unpredictable and its risk is much immeasurable. On the other hand, non-epileptic seizure disorders could be due to several measurable causes, such as stroke, dementia, head injury, brain infections, congenital birth defects, birth-related brain injuries, tumors and other space occupying lesions. The resulting type of epilepsy is called as secondary or symptomatic epilepsy. For secondary epilepsy, preventive measures can be adopted according to the various causes. It is interesting to note that for more than 60% of cases, no definite cause can be ascertained. This broader type of epilepsy is known as idiopathic or primary epilepsy. It is therefore not preventable, but treatable with antiepileptic medications.
The epileptic seizures occur because of the malfunctioning of the electrophysiological system of the brain, which causes sudden excessive electrical discharge in a group of brain cells (i.e. neurons) present in the cerebral cortex. Involvement of cerebral cortex leads to abnormalities of motor functions causing jerky (tonic-clonic) spasms of muscles and joints. The underlying physiology is the hyper synchronous activity of neurons causing altered and inappropriate changes in sensory and motor activity. Instead of controlled discharge of electrical energy, there is an abrupt and huge surge of energy by the brain cells causing the epileptic seizures. The seizures show large variations in properties. A seizure can be seen as a minute muscle twitch to severe, generalized and prolonged convulsions. Recurrent and suddenly occurring seizures are dangerous and can lead to life-threatening situations [20]. The characteristics of the seizure depend on the (i) specific region involved in the brain, (ii) extent of abnormal electrical discharge, and (iii) its spread.
The human knowledge of the functioning of the brain is still insufficient to understand the properties of an epileptic brain [51]. Possible temporary symptoms of epilepsy are loss of mindfulness, almost undetectable abnormalities in the movement pattern, very mild twitching of muscles, disturbances in visual, auditory, gustatory senses and mood and many others are often beyond manual recognition. Further, epileptic seizures usually begin and end spontaneously without any external interference and could remain unnoticed. Hence, detecting and measuring epileptic seizures should be a continuous process, and therefore, involves several engineering challenges. In Section 1.1, we present the different methods currently used to detect epilepsy. In Section 1.2, we briefly discuss on the use of EEG signals for detection of epilepsy by the identification of various associated EEG activities (pre-ictal, interictal, and ictal) that occur in and around seizures.
- مقاله درمورد ارزیابی آنالیز الکتروانسفالوگرافی (EEG) اتوماتیک صرع
- پروژه دانشجویی ارزیابی آنالیز الکتروانسفالوگرافی (EEG) اتوماتیک صرع
- ارزیابی آنالیز اتوماتیک الکتروانسفالوگرافی صرع
- پایان نامه در مورد ارزیابی آنالیز الکتروانسفالوگرافی (EEG) اتوماتیک صرع
- تحقیق درباره ارزیابی آنالیز الکتروانسفالوگرافی (EEG) اتوماتیک صرع
- مقاله دانشجویی ارزیابی آنالیز الکتروانسفالوگرافی (EEG) اتوماتیک صرع
- ارزیابی آنالیز الکتروانسفالوگرافی (EEG) اتوماتیک صرع در قالب پايان‌نامه
- پروپوزال در مورد ارزیابی آنالیز الکتروانسفالوگرافی (EEG) اتوماتیک صرع
- گزارش سمینار در مورد ارزیابی آنالیز الکتروانسفالوگرافی (EEG) اتوماتیک صرع
- گزارش کارورزی درباره ارزیابی آنالیز الکتروانسفالوگرافی (EEG) اتوماتیک صرع