شناسایی خودکار حالت‌های مختلف بیماری صرع از سیگنال EEG بر اساس یادگیری دیکشنری

شیخی‌وند, سبحان; موسوی, زهره; یوسفی رضایی, توحید

doi:10.22041/ijbme.2020.123628.1581

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

¹ دانشجوی دکتری، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

² دانشجوی دکتری، گروه مهندسی مکانیک، دانشکده‌ی مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

³ دانشیار، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

10.22041/ijbme.2020.123628.1581

چکیده

استفاده از یک روش هوشمند برای تشخیص خودکار مراحل مختلف بیماری صرع در کاربردهای پزشکی جهت کاهش حجم کار پزشکان در تجزیه و تحلیل داده‌های صرع از طریق بازرسی بصری یکی از چالش‌های مهم در سال‌های اخیر بوده است. یکی از مشکلات شناسایی خودکار مراحل مختلف بیماری صرع، استخراج ویژگی‌های مطلوبی است که بتوانند بیش‌ترین تمایز را میان مراحل مختلف صرع ایجاد نمایند. فرایند یافتن ویژگی‌های مناسب عموما امری زمان‌بر است. در این پژوهش رویکرد جدیدی برای شناسایی خودکار مراحل مختلف صرع ارائه شده است. در این مقاله از دسته‌بندی مبتنی بر نمایش تنک سیگنال (SRC) به همراه یادگیری دیکشنری آموزش دیده برای شناسایی خودکار مراحل مختلف بیماری صرع با استفاده از سیگنال EEG استفاده شده است. روش پیشنهادی در 8 سناریو از 9 سناریوی ارائه شده به صحت، حساسیت و اختصاصیت 100% دست یافته و هم‌چنین در برابر نویز گوسی تا سطح صفر دسیبل مقاوم می‌باشد. نتایج به دست آمده نشان می‌دهد که استفاده از الگوریتم پیشنهادی برای شناسایی مراحل مختلف صرع موفقیت بیش‌تری نسبت به سایر روش‌های مشابه دارد.

کلیدواژه‌ها

موضوعات

بیوالکتریک

عنوان مقاله [English]

Automatic Identification of Epileptic Seizures from EEG Signals based on Dictionary Learning

نویسندگان [English]

Sobhan Sheykhivand ¹
Zohreh Mousavi ²
Tohid Yousefi Rezaii ³

¹ Ph.D. Student, Biomedical Engineering Department, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran

² Ph.D. Student, Department of Mechanical Engineering, Faculty of Mechanical Engineering, University of Tabriz, Tabriz, Iran

³ Associtate Professor, Biomedical Engineering Department, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran

چکیده [English]

Using a smart method to automatically detect different stages of epilepsy in medical applications, to reduce the workload of physicians in analyzing epilepsy data by visual inspection is one of the major challenges in recent years. One of the problems of automatic identification of different stages of epilepsy is extraction of desirable features which can make the most distinction between different stages of epilepsy. The process of finding the proper features is generally time consuming. This study presents a new approach for the automatic identification of different epileptic stages. In this paper, a sparse represantion-based classification (SRC) with proposed dictionary learning is used to automatically identify the different stages of epilepsy using the EEG signal. The proposed method achieves 100% accuracy, sensitivity and specificity in 8 out of 9 scenarios. Also the proposed algorithm is resistant to Gaussian noise up to 0 decibels. The results show that using the proposed algorithm to identify different epileptic stages has a higher success rate than other similar methods.

کلیدواژه‌ها [English]

EEG
Epilepsy
Seizure
Sparse Representation-based Classification
Dictionary Learning

مراجع

[1] T. Alotaiby, F. E. A. El-Samie, S. A. Alshebeili, and I. Ahmad, "A review of channel selection algorithms for EEG signal processing," EURASIP Journal on Advances in Signal Processing, vol. 2015, no. 1, p. 66, 2015.

[2] Z. Zhang and K. K. Parhi, "Seizure prediction using long-term fragmented intracranial canine and human EEG recordings," in Signals, Systems and Computers, 2016 50th Asilomar Conference on, 2016, pp. 361-365: IEEE.

[3] K. Gadhoumi, J.-M. Lina, F. Mormann, and J. Gotman, "Seizure prediction for therapeutic devices: A review," Journal of neuroscience methods, vol. 260, pp. 270-282, 2016.

[4] Harvard Health Publications, Harvard Medical School, 2014. Seizure overview. http://www.health.harvard.edu/mind-and-mood/seizure-overview.

[5] A. Theodorakopoulou, "Machine learning data preparation for epileptic seizures prediction," 2017.

[6] Y. Park, L. Luo, K. K. Parhi, and T. Netoff, "Seizure prediction with spectral power of EEG using cost‐sensitive support vector machines," Epilepsia, vol. 52, no. 10, pp. 1761-1770, 2011.

[7] A. T. Tzallas, M. G. Tsipouras, and D. I. J. I. t. o. i. t. i. b. Fotiadis, "Epileptic seizure detection in EEGs using time-frequency analysis," vol. 13, no. 5, pp. 703-710, 2009.

[8] H. Adeli, S. Ghosh-Dastidar, and N. J. I. T. o. B. E. Dadmehr, "A wavelet-chaos methodology for analysis of EEGs and EEG subbands to detect seizure and epilepsy," vol. 54, no. 2, pp. 205-211, 2007.

[9] R.J. Oweis, E. W. J. B. e. o. Abdulhay, "Seizure classification in EEG signals utilizing Hilbert-Huang transform," vol. 10, no. 1, p. 38, 2011.

[10]V. Bajaj and R. B. J. I. T. o. I. T. i. B. Pachori, "Classification of seizure and nonseizure EEG signals using empirical mode decomposition," vol. 16, no. 6, pp. 1135-1142, 2012.

[11]S. S. Alam, M. I. H. J. I. j. o. b. Bhuiyan, and h. informatics, "Detection of seizure and epilepsy using higher order statistics in the EMD domain," vol. 17, no. 2, pp. 312-318, 2013.

[12]M. Peker, B. Sen, D. J. I. j. o. b. Delen, and h. informatics, "A novel method for automated diagnosis of epilepsy using complex-valued classifiers," vol. 20, no. 1, pp. 108-118, 2016.

[13]G. Wang et al., "Epileptic seizure detection based on partial directed coherence analysis," vol. 20, no. 3, pp. 873-879, 2016.

[14]K. Samiee, P. Kovacs, M.J.I.t.o.B.E. Gabbouj, "Epileptic seizure classification of EEG time-series using rational discrete short-time Fourier transform," vol. 62, no. 2, pp. 541-552, 2015.

[15]A. B. Das, M. I. H. Bhuiyan, S. S. J. S. Alam, Image, and V. Processing, "Classification of EEG signals using normal inverse Gaussian parameters in the dual-tree complex wavelet transform domain for seizure detection," vol. 10, no. 2, pp. 259-266, 2016.

[16]I. Guler E.D.J.I.T.o.I. T. i. B. Ubeyli, "Multiclass support vector machines for EEG-signals classification," vol. 11, no. 2, pp. 117-126, 2007.

[17]L. Guo, D. Rivero, J. Dorado, J. R. Rabunal, and A. J. J. o. n. m. Pazos, "Automatic epileptic seizure detection in EEGs based on line length feature and artificial neural networks," vol. 191, no. 1, pp. 101-109, 2010.

[18]P. Swami, T. K. Gandhi, B. K. Panigrahi, M. Tripathi, and S. J. E. S. w. A. Anand, "A novel robust diagnostic model to detect seizures in electroencephalography," vol. 56, pp. 116-130, 2016.

[19]A. R. Hassan, S. Siuly, Y. J. C. m. Zhang, and p. i. biomedicine, "Epileptic seizure detection in EEG signals using tunable-Q factor wavelet transform and bootstrap aggregating," vol. 137, pp. 247-259, 2016.

[20]M. Sharma, R. B. Pachori, and U. R. Acharya, "A new approach to characterize epileptic seizures using analytic time-frequency flexible wavelet transform and fractal dimension," Pattern Recognition Letters, vol. 94, pp. 172-179, 2017.

[21]X. Pang, "Seizure forecasting," Stanford University, Autumn 2014.

[22]N. D. Truong, A. D. Nguyen, L. Kuhlmann, M. R. Bonyadi, J. Yang, and O. Kavehei, "A Generalised Seizure Prediction with Convolutional Neural Networks for Intracranial and Scalp Electroencephalogram Data Analysis," arXiv preprint arXiv:1707.01976, 2017.

[23]Y. Park, L. Luo, K. K. Parhi, and T. Netoff, "Seizure prediction with spectral power of EEG using cost‐sensitive support vector machines," Epilepsia, vol. 52, no. 10, pp. 1761-1770, 2011.

[24]U. R. Acharya, S. L. Oh, Y. Hagiwara, J. H. Tan, and H. Adeli, "Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals," Computers in biology and medicine, vol. 100, pp. 270-278, 2018.

[25]T. F. Bastos-Filho, A. Ferreira, A. C. Atencio, S. Arjunan, and D. Kumar, "Evaluation of feature extraction techniques in emotional state recognition," in Intelligent human computer interaction (IHCI), 2012 4th international conference on, 2012, pp. 1-6: IEEE.

[26]S. Mallat and Z. Zhang, "Matching pursuit with time-frequency dictionaries," Courant Institute of Mathematical Sciences New York United States1993.

[27]Naderahmadian, Yashar, Soosan Beheshti, and Mohammad Ali Tinati. “Correlation based online dictionary learning algorithm.” IEEE Transactions on signal processing 64.3 (2016): 592-602.

[28]Z. Mousavi, T. Yousefi Rezaii, S. Sheykhivand, A. Farzamnia, and S. N. Razavi. "Deep convolutional neural network for classification of sleep stages from single-channel EEG signals." Journal of neuroscience methods 324 (2019): 108312.

نشریه‌ی علمی مهندسی پزشکی زیستی

شناسایی خودکار حالت‌های مختلف بیماری صرع از سیگنال EEG بر اساس یادگیری دیکشنری

مراجع

مراجع

دوره 14، شماره 3
مهر 1399
صفحه 209-220

شناسایی خودکار حالت‌های مختلف بیماری صرع از سیگنال EEG بر اساس یادگیری دیکشنری

مراجع

مراجع

دوره 14، شماره 3مهر 1399صفحه 209-220

دوره 14، شماره 3
مهر 1399
صفحه 209-220