نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشکده مهندسی برق، دانشگاه صنعتی شریف

2 گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه صنعتی شریف

10.22041/ijbme.2019.92570.1400

چکیده

قرارگرفتن در وضعیت‌های مختلف ادراکی، شناختی و احساسی با نوعی انتشار اطلاعات از طریق نوسانات نورون های مغزی همراه است. بررسی این نوسانات و به طور مشخص ارتباطات و تعاملات میان بخش های مختلف مغز، می تواند اطلاعات مفیدی درباره ی نحوه ی واکنش مغز در برابر وضعیت های مختلف بدست دهد. در ادبیات موضوع، ارتباطات بین نواحی مختلف مغز به سه دسته ی ساختاری، موثر، و کارکردی تقسیم بندی می شوند که دسته ی اول به ارتباط بین نورون های نواحی مجاور می پردازد، در حالی که دسته ی دوم و سوم بر همسانی زمانی بین نوسانات بخش های نه لزوما مجاور متمرکز هستند. اگرچه سیگنال های EEG به دلیل دقت مکانی نسبتا پایین مناسب ترین معیار برای سنجش ارتباطات کارکردی و موثر بین بخش های مختلف مغز نیستند، اما بررسی آماری این سیگنال ها می تواند در تشخیص هم زمانی بین نوسانات نواحی مختلف مغز کمک قابل توجهی نماید. در این مقاله، چارچوبی نوین برای پیش بینی وقوع تشنج با استفاده از سیگنال های EEG ارائه می گردد که از معیار علیت گرنجر در حوزه ی فرکانس برای اندازه گیری میزان هم زمانی نوسانات سیگنال های EEG در مدت‌زمان‌های Inter-ictal و Pre-ictal استفاده می نماید. در ادامه، با بکارگیری یک طبقه‌بند Logistic Regression با عبارت تنظیم‌کننده درجه اول اقدام به تفکیک نمونه‌های استخراج‌شده از این دو بازه‌ی زمانی از یکدیگر می‌شود. در گام آخر، با در نظر گرفتن بازه های زمانی متوالی، در صورتی که به تعداد مشخصی بازه مربوط به Pre-ictal شناخته شوند، اعلام وقوع تشنج می گردد. شبیه‌سازی‌های انجام‌شده روی مجموعه داده ی CHB-MIT به ازای افق پیش‌بینی 10 دقیقه به نرخ حساسیت %95.03 و نرخ پیش‌بینی نادرست 0.14 بر ساعت منتج شده است که نشان‌دهنده‌ی عملکرد قابل‌قبول روش پیشنهادی در مقایسه با بهترین نتایج گزارش‌شده در سایر مقالات می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Analysis of Brain Connectivity for Epileptic Seizure Prediction using EEG Signals

نویسندگان [English]

  • Saeed Ghodsi 1
  • Hoda Mohammadzade 2
  • Hamid Aghajan 1

1 Department of Electrical Engineering, Sharif University of Technology

2 Department of Electrical Engineering, Sharif University of Technology, Tehran

چکیده [English]

Different perceptual, cognitive, and emotional situations results in a kind of information flow in the brain by means of coordinated neuronal oscillations. Analysing these oscillations, especially synchronizations of different brain regions, can illustrate the brains response in the aforementioned situations. In the literature, connectivity between brain regions is divided into the three groups of structural, effective, and functional, s.t. the first one refers to the connectivity between nearby regions, while the second and third ones focus on the synchronization of oscillations of arbitrary located regions. Although EEG is not the best choice for analyzing functional and effective connectivity between brain regions due to its relatively poor spatial resolution, extracting its statistical features may be helpful in the analysis of synchronization of brain oscillations. In this paper, a novel framework for the prediction of seizure occurrence using EEG signals is proposed which utilizes the Granger causality approach in frequency domain to measure synchronization of EEG signals in the Inter-ictal and Pre-ictal time periods. Afterwards, a Logistic Regression classifier with Lasso regularization is used to discriminate the samples extracted from these two periods. At last, if a predefined number of consecutive samples are labled as Pre-ictals, a seizure occurrence alarm is issued. Experimental simulations on the CHB-MIT dataset resulted in 95.03% sensitivity and 0.14/hour false prediction rate, for 10min prediction horizon, which demonstrates effectiveness of our proposed method compared to the state-of-the-arts.

کلیدواژه‌ها [English]

  • Computational Neuroscience
  • Seizure Prediction
  • Functional and Effective Connectivity
  • Machine Learning