دانلود رایگان مقاله نظارت و تشخیص تشنج نوزادی با پردازش سیگنال ویدیویی
چکیده
اپراتورهای بالینی در یکی از سخت ترین زمینه های مراقبت های بهداشتی، یعنی مغز و اعصاب نوزادان، باید به صورت روزانه، حملات صرعی را تشخیص دهند. بسیاری از نوزادان مبتلا به بیماری ها در هنگام تولد در معرض خطر تشنجات نوزادی قرار دارند که شایع ترین نشانه اختلالات حاد عصبی است و باید فورا و با دقت به منظور درمان به موقع شناخته شود. روش های تشخیصی سنتی مبتنی بر نظارت ElectroEncephaloGraphic (EEG). با این حال، تجزیه و تحلیل EEG نوزادان، یک روش بسیار تخصصی و وقت گیر است و به مهارت های خاصی نیاز دارد که همیشه به راحتی در بخش های مراقبت ویژه نوزادان (NICUs) در دسترس نیستند. بنابراین، روش های تشخیصی غیر تهاجمی، زمان واقعی، خودکار، کم هزینه، گسترده و تجهیزات توانمند در شناخت قابل اعتماد تشنجات نوزادی، از ارزش قابل توجهی در NICUs برخوردار می باشند.
در حالی که اهمیت تشخیص سریع حضور تشنج نوزادان روشن است، هیچ روش واقعی برای تشخیص یا شناسایی اولیه چنین رفتارهای بیمارگونه و در حال حاضر هیچ ابزار در دسترسی برای پیش بینی آنها وجود ندارد. تنها روش در دسترس و قابل اعتماد، EEG است که نسبتا تهاجمی است و اجرا و تفسیر آن به پرسنل پزشکی به خوبی آموزش دیده نیاز دارد.
یک جایگزین بسیار جذاب، با توجه به EEG، شناسایی خودکار حضور تشنج شامل کسب، از طریق یک دوربین فیلمبرداری، حرکات بدن نوزاد و پردازش درست سیگنال ویدیویی مربوطه می شود. هدف از یک الگوریتم پردازش تصویر موثر، تشخیص حرکات "غیر معمول" نوزاد است. هدف از تشخیص خودکار و طبقه بندی تشنجات نوزادان از طریق یک دوربین فیلمبرداری، جایگزینی کامل EEG نیست (هنوز برای تشخیص دقیق مورد نیاز است)، بلکه ساختن یک تشخیص زمان واقعی، کم هزینه، اولیه، خودکار بر اساس جنبه های بالینی تشنجات نوزادان است. به عبارت دیگر، یک سیستم مبتنی بر دوربین فیلمبرداری خودکار می تواند برای نظارت دائم برای هر بیمار در بخش مراقبت نوزادان مورد استفاده قرار گیرد، در حالی که تنها زمانی EEG برای تشخیص قطعی نیاز می شود که این سیستم، با احتمال بالا، حضور بالقوه تشنج را نشان دهد. برای این منظور، چند روش توسعه یافته در بخش مهندسی اطلاعات، در همکاری با وزارت علوم اعصاب، هر دوی دانشگاه پارما (ایتالیا)، پیشنهاد شده است: روش های مبتنی بر دوره تناوب، مبتنی بر طبقه بندی و مبتنی بر-خوشه بندی.
Abstract
Clinical operators in one of the most difficult health care fields, namely neonatal neurology, on a daily basis have to face the diagnosis of epileptic seizures. Most of the neonates affected by perinatal diseases are at risk of neonatal seizures, which are the most common sign of acute neurological dysfunctions and must be promptly and accurately recognized in order to establish timely treatments. Traditional diagnostic methods are based on ElectroEncephaloGraphic (EEG) monitoring. The neonatal EEG analysis is, however, a very specialistic and time-consuming technique which requires particular skills not always easily available in Neonatal Intensive Care Units (NICUs). Therefore, non-invasive, real-time, automated, low-cost, wide-scale diagnostic methods and equipments capable of reliably recognizing neonatal seizures would be of significant value in the NICUs.
Whilst the importance of promptly diagnosing the presence of neonatal seizures is clear, there are no actual methods to early recognize or detect such pathological behaviors, nor currently available instruments to predict them. The only available and reliable method is the EEG, which is moderately invasive and needs well-trained medical personnel to be correctly administered and interpreted.
A very appealing alternative, with respect to the EEG, to automatically detect the presence of seizures consists in acquiring, through a video camera, the movements of the newborn’s body and properly processing the relevant video signal. The goal of an effective image processing algorithm is the detection of “unusual” movements of the newborn. The aim of automatic detection and classification of neonatal seizures through a video camera is not to completely replace the EEG (still required for accurate diagnosis), but to make a realtime, low-cost, preliminary, automatic diagnosis based on clinical aspects of neonatal seizures. In other words, an automatic video camera-based system could be used to permanently monitor every patient in the neonatal care unit, whereas the EEG would be required for a definitive diagnosis only when the system indicates, with high probability, the potential presence of seizures. For this purpose several approaches, developed at the Department of Information Engineering, in collaboration with the Department of Neurosciences, both of the University of Parma (Italy), have been proposed: periodicity-based, classification-based and clustering-based approaches.
چکیده
منابع
Abstract
References