روشی نوین در کمی سازی و ارزیابی پتانسیل های مغزی به منظور تعیین سطح هوشیاری

یکی از معضلات هوشبری نداشتن معیار جامع و مناسبی از سطح هوشیاری است . به طوری که تنظیم دقیق عمق بیهوشی میسر نبوده و به همین دلیل مشکلاتی نظیر آگاهی و ادراک از اعمال جراحی و عوارض ناشی از دوز اضافی وجود دارد. هدف از این تحقیق ارائه روشی کمی برای تعیین سطوح مختلف هوشیاری است . eeg مستقیما از مغز منشا می گیرد و نشان دهنده فعالیت لحظه ای سیستم اعصاب مرکزی است ، لذا به عنوان بهترین مشخصه برای تحقق هدف مطرح است . سیستم ارائه شده دارای سه بخش اصلی پیش پردازش ، استخراج ویژگی و طبقه بندی سیگنال eeg می باشد. در این تحقیق با ارائه الگوی مناسبی از پیش پردازش ، تاثیر آن بر مدل سازی ar سیگنال eeg تحلیل شده است و نشان داده شده که اجرای مناسب این بخش باعث بهبود کیفی و کمی در نتایج خواهد شد و علاوه بر افزایش دقت ، به علت کاهش حجم داده ها و محاسبات ، سرعت عملیات را نیز افزایش می دهد. به منظور طراحی ویژگی ها از مدل ar استفاده شده است . در این راستا تخمین رتبه بهینه برای این مدل و استخراج ویژگی ها صورت گرفته است . ارزیابی شهودی ویژگی ها حاکی از تغییرات هم آهنگ آنها با عوامل موثر بر سطح هوشیاری یعنی داروی هوشبر و تحریک دردناک می باشد. ارزیابی کمی ویژگی ها مبتنی بر قابلیت تفکیک حالات هوشیاری است . به این منظور از دو روش تحلیل پراش چند منظوره و تحلیل تفکیکی استفاده شده است . همچنین ویژگی های برتر به روش تحلیل تفکیکی قدم به قدم برگزیده شده اند. نتایج بدست آمده، حاکی از توانایی بسیار خوب الگوریتم ارائه شده است ، به طوری که در پیشگویی پاسخ حرکتی به تحریک دردناک تفکیک کامل 100 درصد حاصل شده است و در تفکیک کلیه حالات هوشیاری دقتی بیش از 92 درصد بدست آمده است . مجموعه داده های مبنا متناظر با سطوح مختلف هوشیاری، بر اساس نتایج مرحله قبل و خوشه های شناسایی شده بدست آمدند. با استفاده از این مجموعه خروجی نهایی یعنی کلاس متناظر با سطح هوشیاری تعیین می گردد. بررسی تغییرات زمانی کلاس خروجی بیانگر تبعیت بسیار خوب آن از سطح هوشیاری و عوامل موثر بر آن است . برای پیاده سازی و ارزیابی سیستم ارائه شده لازم است آزمایشات مناسب طراحی و اجرا گردند. در این آزمایشات علاوه بر کنترل شرایط محیطی، با نظظارت بر ورودی ها، خروجی ها و مشخصات سیستم اعصاب ، داده های مناسب تهیه شده است .