آشکارسازی پاروکسیسم در مانیتورینگ تک کاناله طولانی مدت سیگنال EEG
چکیده
حملات تشنجی غایب، ناشی از تخلیه الکتریکی موج 5-5/2 هرتز در سیگنال الکتروانسفالوگرافی هستند. به ندرت بیماران، والدین یا پزشکان از طول مدت یا شروع تشنج آگاهی دارند. در این مطالعه، شش بیمار با دستگاه الکتروانسفالوگرافی قابل‌حمل، بیش از چهار بار به مدت 24 ساعت تحت نظارت قرار گرفتند تا بررسی شود که چگونه بیماران سرپایی را می‌توان کنترل کرده و یک الگوریتم تشخیص خودکار تشنج، چقدر می‌تواند صرع غیابی را تشخیص دهد. بر اساس مدل‌سازی مشخصات بیمار، حساسیت 4/98٪ را به دست آورده و تنها 23/0 تشخیص غلط در ساعت داشتیم. این نتایج، نشان‌دهنده عملکرد بالینی رضایت‌بخش، با ارزش پیش‌بینی‌کننده مثبت 1/87٪ است. ثبت‌کننده‌های الکتروانسفالوگرافی قابل‌حمل که وقوع حمله تشنجی در بیماران مبتلا به صرع را آشکار می‌کنند، ابزاری امیدوارکننده برای بیماران و پزشکانی است که با صرع غیابی سروکار دارند. با وجود ابعاد کوچک دستگاه الکتروانسفالوگرام، بعضی از کودکان همچنان از ماهیت مزاحم این دستگاه شکایت دارند. هدف ما ایجاد دستگاه‌های مؤثر و بسیار کارآمد مانند دستگاه‌هایی که در کانال گوش یا زیر پوست پنهان می‌شوند، است.
1) مقدمه
معضل درمانی بیماران مبتلا به صرع این است که پزشک حاضر و بیمار تعداد تشنج ها را نمی‌دانند. پزشک با بیمار معمولی مواجه است که تشنج در جای دیگری اتفاق افتاده و بیمار ممکن است از بعضی قسمت‌های حمله ناآگاه باشد. دستگاه‌هایی که تشنج را در شرایط معمول زندگی روزمره ثبت می‌کنند، ممکن است این مشکل را کاهش دهند. استفاده از الکتروانسفالوگرام قابل‌حمل، حدود 50 سال پیش آغاز شد. در ابتدا سیستم ثبت‌کننده بزرگ و سنگین، کیفیت داده ضعیف و زمان قابل توجهی برای ثبت سیگنال مورد نیاز بود. اما به تدریج از آن زمان به بعد کیفیت داده بهبود یافته و تعداد کانال‌ها افزایش یافته است. در حال حاضر سیستمهای ثبت‌کننده قابل‌حمل متعددی تا 36 کانال با نرخ نمونه‌برداری تا 400 هرتز در دسترس هستند. در حال حاضر بر روی روش‌های ساده مانند یک گوشی کوچک کار می‌کنیم که با تلفن‌همراه هوشمند ارتباط برقرار می‌کند و به راحتی توسط بیمار در چند ثانیه نصب می‌شود. این دستگاه دسترسی به ثبت زمان واقعی و همچنین سیستمهای درمانی و زنگ هشدار را فراهم می‌سازد
Abstract
Absence seizures are associated with generalized 2.5-5 Hz spike-wave discharges in the EEG. Rarely are patients, parents or physicians aware of duration or incidence of seizures. Six patients were monitored with a portable EEG-device over four times 24 hours to evaluate how easily outpatients are monitored and how well an automatic seizure detection algorithm can identify the absences. Based on patient-specific modeling, we achieved a sensitivity of 98.4% with only 0.23 false detections per hour. This yields a clinically satisfying performance with a positive predictive value of 87.1%. Portable EEG-recorders identifying paroxystic events in epilepsy outpatients are a promising tool for patients and physicians dealing with absence epilepsy. Albeit the small size of the EEG-device, some children still complained about the obtrusive nature of the device. We aim at developing less obtrusive though still very efficient devices e.g. hidden in the ear canal or below the skin.
I. INTRODUCTION
A dilemma when treating patients with epilepsy is that the attending physician does not know the number of seizures, and often the patient does not know it either [1]. The physician works with an otherwise normal patient with seizures happening elsewhere and the patient might be unaware of the episodes. Devices that record the seizures during normal everyday life conditions may reduce this problem. Use of outpatient ambulatory electroencephalogram (EEG) began 50 years ago. At first the recording systems were large and heavy, the data quality poor and time to mount considerable. Since then the data quality has improved and the number of channels increased [2]. Now numerous portable recording systems of up to 36 channels with sampling rates of up to 400 Hz are commercially available. We currently work on unobtrusive solutions like a small earplug that communicates with a smartphone and is easily mounted by the patient in a few seconds [3]. This allows for access to real time registration as well as intervention and alarm systems.
چکیده
1) مقدمه
2) مواد و روش‌ها
الف) شرکت‌کنندگان
ب) پروتکل مطالعه
پ) اکتساب داده
ت) استخراج و تبدیل ویژگی
ث) تقسیم‌بندی داده آموزش/ آزمون
ج) نرمال‌سازی، انتخاب زیر مجموعه و مدل‌سازی
چ) محاسبه عملکردی
ح) انتخاب مدل
3) نتایج
الف) انتخاب بیمار
ب) تشخیص خودکار حمله صرعی
پ) آگاهی دادن به بیمار و والدین
4) بحث
Abstract
I. INTRODUCTION
II. METHODS
A. Participants
B. Study Protocol
C. Data Acquisition
D. Feature Extraction and Transformation
E. Train/Test Data Split
F. Normalization, Subset Selection and Modelling
G. Performance Calculation
H. Model Selection
III. RESULTS
A. Patient Compliance
B. Automatic Paroxysm Detection
C. Patient and Parent Perception
IV. DISCUSSION
- 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