نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 دانشآموختهی کارشناسی ارشد، گروه بیوالکتریک، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیتمدرس، تهران دانشجوی دکتری مهندسی پزشکی، گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران
2 استاد، گروه فیزیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران
3 پژوهشگر فرادکتری، گروه فیزیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران
4 دانشیار گروه جراحی اعصاب، بیمارستان لقمان حکیم، دانشگاه علوم پزشکی شهید بهشتی، تهران
5 استادیار گروه رادیوتراپی، بیمارستان امام حسین (ع)، دانشگاه علوم پزشکی شهید بهشتی، تهران
6 استادیار گروه نورولوژی، بیمارستان لقمان حکیم، دانشگاه علوم پزشکی شهید بهشتی، تهران
چکیده
در پژوهش حاضر، سیگنالهای الکتروانسفالوگرام بیماران مبتلا به تومور مغزی و افراد سالم را برای مطالعة تغییرات ناشی از بروز تومور مغزی در سیگنالهای مغزی و درنهایت امکانسنجی تشخیص این بیماری توسط سیگنالهای EEG، بررسی کردهایم. برای این منظور از دادههای EEG ثبتشده از چهار کانال F3، F4، T3 و T4 برای پنج فرد مبتلا به تومور مغزی و چهار فرد سالم، استفاده شده است. پس از پیشپردازش، ویژگیهای خطی زمانی و طیف فرکانسی و ویژگیهای غیرخطی بُعد فرکتال و آنتروپی، استخراج شد. سپس تمایزپذیری میان دو گروه، با استفاده از اندیس دیویس-بولدین، طبقهبندی خطی LDA، غیرخطی KNN و SVM بررسی شد. براساس مقادیر بهدستآمده برای اندیس دیویس-بولدین در وضعیت استراحت ذهنی چشمبسته، ویژگیهای RMS، توان مطلق باند تتا، آنتروپی نمونه و آنتروپی تقریبی و در وضعیت استراحت ذهنی چشمباز، ویژگیهای RMS و توان مطلق باند تتا، بیشترین تمایزپذیری را میان دو گروه سالم و بیمار نشان دادند. در این مرحله، طبقهبندی دو گروه سالم و بیمار با استفاده از تکویژگیها انجام شد، که بهترین صحت طبقهبندی مربوط به ویژگی RMS در حالت استراحت ذهنی چشمبسته و 88.89% بهدست آمد. این موضوع نشاندهندة این است که ویژگی خطی RMS در افراد سالم و مبتلایان به تومور مغزی، تمایز خوبی ایجاد میکند. در پایان نیز برای دو حالت استراحت ذهنی چشمبسته و چشمباز و با استفاده از تمامی ویژگیهای منتخب، طبقهبندی انجام شد. با توجه به نتایج، بیشترین صحت طبقهبندی 82.54% با استفاده از ویژگیهای برتر RMS، توان مطلق باند تتا، آنتروپی نمونه و آنتروپی تقریبی در حالت استراحت ذهنی چشمبسته، بهدست آمد. با توجه به نتایج مشاهده میشود که ویژگیهای خطی، قابلیت خوبی برای جداسازی سیگنالهای EEG افراد سالم و بیماران مبتلا به تومور مغزی دارند، که میتوان از آنها، بهدلیل سادگی و بار محاسباتی کم، برای تشخیص برخط بیماری تومور مغزی، بهخصوص در آزمونهای دورهای غربالگری، استفاده کرد.
کلیدواژهها
- تشخیص بیماری تومور مغزی
- سیگنالهای الکتروانسفالوگرام
- اندیس دیویس-بولدین
- ویژگیهای خطی و غیرخطی سیگنالهای EEG
موضوعات
عنوان مقاله [English]
Brain Tumor Detection Using Electroencephalogram Linear and Non-Linear Features
نویسندگان [English]
- Zahra Tabanfar 1
- Seyed Mohammad Firouzabadi 2
- Zeynab Shankaei 3
- Giv Sharifi 4
- Kambiz Novin 5
- Anahita Zoghi 6
1 M.Sc. Graduated Student, Department of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran Ph.D Student, Bioelectric Department, Biomedical Engineering Faculty, Amirkabir University of Technology, Tehran, Iran
2 Professor, Medical Physics Department, School of Medical Science, Tarbiat Modares University, Tehran, Iran
3 Postdoctoral Researcher, Medical Physics Department, School of Medical Science, Tarbiat Modares University, Tehran, Iran
4 Department of Neurosurgery, Loghman e Hakim Hospital, Shahid Beheshti University of Medical Sciences, Tehran, Iran
5 Department of Radiation Oncology, Emam Hossein Medical center, Shahid Beheshti University of Medical Sciences, Tehran, Iran
6 Department of Neurology, Loghman e Hakim Hospital, Shahid Beheshti University of Medical Sciences, Tehran, Iran
چکیده [English]
In this research, we analyzed the EEG signals of patients with brain tumor and healthy participants in order to study the effects of brain tumor on brain signals and also the feasibility of brain tumor detection using EEG signals. For this reason, EEG signals of four channel F3, F4, T3 and T4 from 5 patients with brain tumor and 4 healthy participants were recorded. After preprocessing, linear features in time and frequency domains and nonlinear ones such as fractal dimensions and entropies were extracted. Afterwards, the differentiation between2 groups was analyzed using Davies-Bouldin Index, LDA, KNN and SVM classifiers. According to the results of Davies-Bouldin Index, RMS, Theta Absolute Power, Approximate Entropy and Sample Entropy features in resting state with eyes closed and RMS and Theta Absolute Power features in resting state with eyes opened, had the most distinction between the two groups. In this stage classification of two groups using single features was done and the most accuracy of 88.89% was obtained for RMS feature in resting state with eyes closed. At the end, classification of two groups using all selected features was conducted and the maximum accuracy of 82.54% was obtained for RMS, Theta Absolute Power, Approximate Entropy and Sample Entropy features in resting state with eyes closed. According to the results, EEG linear features have a good capability of detecting brain tumor. As these features are simple and have low computational complexity, they can be used in online applications especially for periodic screening tests.
کلیدواژهها [English]
- Brain Tumor Detection
- Electroencephalogram Signals
- Davies-Bouldin Index
- Linear and Non-Linear Features of EEG Signals