بهینه سازی تشخیص صرع مبتنی بر انرژی سیگنال الکتروانسفالوگرافی با GA
چکیده
صرع یکی از شایع‌ترین بیماری‌های سیستم اعصاب است که تنها در ایالات متحده، 2/2 میلیون نفر به آن مبتلا هستند و باعث تشنج در فرد می‌شود که می‌تواند در زندگی افراد تاثیراتی از جمله مرگ داشته باشد. به همین علت، تحقیقات قابل‌توجهی در زمینه شناسایی صرع به محض وقوع آن، صورت می‌گیرد، به طوری که اثرات و عواقب آن را بتوان فورا کاهش داد. در این مقاله، الگوریتم تشخیص حمله صرعی مبتنی بر انرژی، بر روی سیگنال‌های الکتروانسفالوگرافی توصیف و اجرا شده است. از آنجا که این تکنیک شامل پارامترهای مختلفی است که به طور قابل توجهی بر عملکرد تشخیص اثر می‌گذارد، ما از الگوریتم های ژنتیکی برای بهینه سازی این پارامترها جهت بهبود دقت تشخیص استفاده خواهیم کرد. در این مقاله، تنظیمات الگوریتم ژنتیک، از جمله توابع کدگذاری و تابع ارزیاب را توصیف می‌کنیم. در نهایت، الگوریتم پیاده سازی شده با پارامترهای بهینه، با استفاده از دیتاست سیگنال مغزی CHB-MIT ارزیابی می‌شود که این مجموعه داده عمومی در سایت PhysioNet موجود است. نتایج متنوعی به دست آمده که تقریبا دقت کاملی برای برخی از بیماران با نرخ پایین مثبت کاذب وجود دارد، اما در تشخیص حملات سایر بیماران، ناموفق بوده است. بنابراین محدودیت‌های تشخیص حمله صرعی مبتنی بر انرژی، مورد بحث قرار گرفته است و راه‌حل‌هایی برای این مسائل پیشنهاد شده است.
1. مقدمه
صرع یک بیماری عصبی است که به‌عنوان "فعالیت بیش‌ازحد کنترل نشده از یک بخش یا کل بخش‌های سیستم عصبی مرکزی" مشخص می‌شود. فرد مبتلا به صرع دارای حملاتی است که ناشی از اختلال در ارتباطات الکتریکی بین نورون‌ها است. با توجه به آمار "بنیاد صرع"، صرع چهارمین بیماری عصبی شایع است که بعد از میگرن، سکته مغزی و بیماری آلزایمر قرار دارد. شاخص این بیماری (به عنوان مثال افراد مبتلا شده به صرع در هر سال) در ایالات متحده آمریکا، در هر 100،000 نفر برآورد شده است. شيوع صرع در آمريكا 2/2 ميليون نفر يا 1/7 در هر 1000 نفر تخمين زده شده است؛ و بیش از 5/16 نفر در هر 1000 آمریکایی، گزارش کرده اند که در برخی مواقع در معرض صرع بوده‌اند. پژوهشی که توسط هلمرز و همکاران وی صورت گرفته است، شیوع صرع را در ایالات متحده بر اساس آمار پایگاه‌های داده از دو شرکت اصلی بیمه درمانی مطالعه می‌‌کند، که موجب بروز حدود 8.5 مورد از 1000 نفر می‌شود. اگرچه این نویسندگان، نرخ شاخص‌ها را محاسبه کرده‌اند، اما اظهار داشتند که این اطلاعات ممکن است قابل اعتماد نباشد. همچنین، آنها به این نتیجه رسیدند که بیشترین میزان صرع برای کودکان زیر 5 سال و بزرگسالان بالای 60 سال اتفاق می‌افتد. مقاله ارائه شده توسط آقا و خانم کمفیلد، شیوع صرع در کودکان از دیدگاه جهانی را بررسی کرده و به این نتیجه رسیدند که وقوع صرع در کشورهای توسعه نیافته و به ویژه در مناطق روستایی بیشتر است. همچنین در مقالات پزشکی، تاثیر صرع کاملا مورد توجه قرار گرفته است.
Abstract
Epilepsy is one of the most common neurological conditions, affecting 2.2 million people only in the U.S., causing seizures that can have a very serious impact in affected people’s lives, including death. Because of this, there is a remarkable research interest in detecting epilepsy as it occurs, so that it effects and consequences can be mitigated immediately. In this paper, we describe and implement an energy-based seizure detection algorithm which runs over electroencephalography (EEG) signals. Because this technique comprises different parameters that significantly affect the detection performance, we will use genetic algorithms (GAs) to optimize these parameters in order to improve the detection accuracy. In this paper, we describe the GA setup, including the encoding and fitness function. Finally, we evaluate the implemented algorithm with the optimized parameters over a subset of the CHB-MIT Scalp EEG Database, a public data set available in PhysioNet. Results have shown to be very diverse, attaining almost perfect accuracy for some patients with very low false positive rate, but failing to properly detect seizures in others. Thus, the limitations found for energy-based seizure detection are discussed and some actions are proposed to address these issues.
I. INTRODUCTION
Epilepsy is a neurological condition characterized by “uncontrolled excessive activity of either part or all of the central nervous system” [1]. A person suffering epilepsy has attacks, also called seizures, resulting from the disruption of the electrical communication between neurons. According to the Epilepsy Foundation [2], epilepsy is the fourth most common neurological condition, only outnumbered by migraine, stroke and Alzheimer’s disease. Its incidence (i.e., people developing epilepsy each year) in the U.S. is estimated at 48 for every 100,000 people. The prevalence of epilepsy is estimated at 2.2 millions in the US, or 7.1 for every 1,000 people; and up to 16.5 per 1,000 Americans have reported to had suffered from epilepsy at some point in their lives. The work from Helmers et al. [3] also study the incidence and prevalence of epilepsy in the U.S. based on claims databases from two major health insurance companies, resulting in an estimated prevalence of 8.5 cases per 1,000 people. While these authors also compute incidence rates, they remark that these data might not be reliable. Also, they conclude that incidence shows higher rates for children under 5 years and adults over 60 years. The work from Camfield and Camfield [4] explores the incidence and prevalence of epilepsy in children from a global perspective, concluding that they are higher in underdeveloped countries, and especially in rural areas.
چکیده
1. مقدمه
2. زمینه پزشکی
3. پژوهش‌های مربوطه
4. روش شناسی
الف) فیلتر کردن
ب) بخش‌بندی
پ) محاسبه انرژی
ت) آستانه‌گذاری
ث) گروه‌بندی
ج) اجتماع کانال‌ها
5. بهینه‌سازی ژنتیک
الف) حساسیت پارامترها
ب) رمزگذاری
پ) اپراتورهای ژنتیک
ت) تابع ارزیاب
6. ارزیابی
(الف) داده
ب) تنظیمات تجربی
پ) بحث و نتیجه‌گیری
7. نتیجه‌گیری و مطالعات آتی
Abstract
I. INTRODUCTION
II. BIOMEDICAL BACKGROUND
III. RELATED WORK
IV. METHODOLOGY
A. Filtering
B. Segmentation
C. Energy Computation
D. Thresholding
E. Grouping
F. Channel Aggregation
V. GENETIC OPTIMIZATION
A. Parameters Sensitivity
B. Encoding
C. Genetic Operators
D. Fitness Function
VI. EVALUATION
A. Data
B. Experimental Setup
C. Results and Discussion
VII. CONCLUSIONS AND FUTURE WORK
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه