ارائه روشی هوشمند در طبقه بندی سیگنال eeg بیماران صرعی به منظور استخراج علائم و پارامترهای تشخیص بالینی

صرع، علامت کلینیکی فعالیت بیش از حد و بسیار همزمان نورون ها در قشر مغزی است که با تخلیه الکتریکی غیر طبیعی در بخشی از مغز همراه است. این بیماری به عنوان دومین اختلال مهم مغزی پس از سکته شناخته شده است. 1 تا 3 درصد مردم دنیا دچار این ضایعه مغزی هستند که بیماری 25% این افراد از طریق روش های موجود قابل درمان نیست. سیگنال eeg در اثر تخلیه همزمان نورون های مغز ایجاد شده و به هنگام حمله صرع دچار تغییرات شدیدی می شود. روش های تشخیصی و هشدار دهنده که بر پایه سیگنال eeg بنا نهاده شده است به دو دسته دیداری ( مستقیما توسط پزشک) و اتوماتیک (بر اساس دانش پردازش سیگنال ) تقسیم می گردد.معاینه بصری eeg به منظور آشکارسازی حمله حتی برای یک نورولوژیست خبره کار سخت و وقت گیری است، غلبه بر این مشکلات با استفاده از روش های آشکارسازی اتوماتیک در پیشرفت و بهبود روش های معالجه و درمان صرع موثر است. امروزه روش های اتوماتیک آشکار سازی هم در مراجعات سر پایی و هم در شرایط بستری طولانی مدت بیماران بسیار مفید و مرسوم می باشد و کمک شایان توجهی به تشخیص دقیق و درمان موثر می نماید . در نتیجه تحقیق در زمینه آشکارسازی بیماری صرع و ارائه روش های موثر بسیار مفید و الزامی می باشد. دیتای مورد استفاده در این تحقیق مربوط به بیماران با صرع کانونی یا جزئی می باشد، سیگنال eeg بیماران مبتلا به این نوع صرع می تواند شامل علائم صرعی باشد و نیز نباشد. از آنجایی که این نوع صرع بسیار شایع می باشد، نیاز به تشخیص دقیق آن وجود دارد. برای آشکار سازی صرع نیاز به استخراج ویژگی های مناسب و طبقه بندی سیگنال eeg می باشد. در این پایان نامه، 2 نوع طبقه بندی سیگنال eeg 21 بیمار صرعی مرکز بیمارستان فرایبورگ انجام شده است که شامل طبقه بندی حالت های قبل از حمله، در حین حمله و بعد از حمله و همچنین طبقه بندی حالت های قبل از حمله، در حین حمله و بدون حمله است. سیگنال eeg را می توان به عنوان یک سیگنال شاخص که اطلاعات مربوط به حالت های گوناگون مغز را دارا می باشد در نظر گرفت، بدین گونه که اطلاعات مذکور به نوعی در ویژگی هایی از این سیگنال نهفته است. در این پایان نامه به منظور استخراج ویژگی از روش های مبتنی بر تئوری آشوب استفاده خواهد شد. از آنجایی که مدل نورونی مغز انسان یک سیستم آشوبناک است، سیگنال eeg دارای ماهیت آشوبناک است. در هنگام حمله صرع از میزان بینظمی و آشوبناکی مغز کاسته می شود بنابراین ویژگی هایی که میزان آشوبناکی مغز را مورد سنجش قرار می دهند و تبدیل به یک معیار کمی می کنند، می توانند در این مسیر راهگشا باشند. این ویژگی ها عبارتند از بعد فرکتالی، بعد همبستگی، بزرگترین نمای لیاپانوف و آنتروپی تقریبی و این ویژگی ها از زیرباندهای فرکانسی سیگنال eeg هم استخراج می شوند. همچنین ویژگی های دیگری همچون نمای هرست و ویژگی های مبتنی بر پارامترهای ضرایب تبدیل موجک هم استفاده خواهند شد. همچنین از روش اطلاعات متقابل به منظور انتخاب کانال مناسب سیگنال eeg استفاده می شود.در ادامه تفکیک پذیری نواحی مختلف سیگنال با استفاده از تحلیل آماری anova بررسی می شود و سپس چند دسته طبقه بندی کننده به منظور انجام 2 نوع طبقه بندی بر روی سیگنال eeg استفاده خواهند شد. این طبقه بندی کننده ها، شامل kامین نزدیک ترین همسایگی، شبکه عصبی مصنوعی، شبکه عصبی شعاعی و سیستم استنتاج فازی-عصبی تطبیقی هستند.