طراحي يك الگوريتم يادگيري عميق مبتني بر تنسور چندبعدي براي پيش بيني وقوع تشنج در بيماري صرع

اصفهان : دانشگاه صنعتي اصفهان

مهندسي پزشكي

كارشناسي ارشد

صرع نوعي بيماري مزمن است كه در طبقه‌بندي بيماري‌هاي مغز و اعصاب قرار مي‌گيرد. جهت تشخيص زمان وقوع حمله در بيماران مبتلا به صرع در كوتاه‌ترين زمان ممكن، نياز به يك پردازش سريع سيگنال¬هاي عصبي است. در اكثر مطالعات انجام شده حول موضوع پيش بيني حملات صرع، از سيگنال¬هاي الكتروانسفالوگرافي براي تشخيص بيماران مبتلا به صرع با استفاده از ثبت فعاليت الكتريكي مغز كه ممكن است با صرع مرتبط باشد، استفاده مي‌شود. اگرچه علت اصلي صرع ناشناخته باقي مانده است، پيش‌بيني حملات تشنج در بيماري صرع مفيد بوده و همچنين تأثير زيادي بر كيفيت زندگي بيماران خواهد گذاشت. فرآيند پيش بيني تشنج‌ها، تمايز قائل شدن بين مراحل زماني قبل حمله (preictal) وحين حمله تشنج صرعي (interictal) است. برخي از مطالعات انجام شده تا به الان جهت تشخيص و پيش¬بيني حملات صرع روش‌هاي مختلفي بر اساس الگوريتم‌هاي يادگيري ماشين و يادگيري عميق ارائه كرده اند؛ اما هنوز چالش هايي از جمله ارائه يك الگوريتم موثر در تشخيص فازهاي interictal وpreictal در فاصله زماني طولاني مدت بين حملات و بررسي استفاده از اطلاعات بخشي از كانال هاي EEG و يا تمام كانال ها در بحث پيش بيني وجود دارد. هدف اين پايان نامه ارائه الگوريتمي براي پيش‌بيني حملات با دقت بالاتر تحت اعتبارسنجي K-Fold براي همه بيماران مبتلا به صرع به طور جداگانه در مقايسه با كارهاي گذشته براي رفع محدوديت هاي فوق است؛ و هچنين ساخت شبكه هاي عميقي كه تحت اعتبارسنجيLOOCV با استفاده از داده¬هاي كل بيماران، مسئله پيش بيني وقوع حمله صرعي را انجام دهند. براي نيل به اين هدف از يك ساختار شبكه عميق با رويكرد تنسور چند بعدي به عنوان ورودي شبكه استفاده خواهد شد. ابعاد مختلف اين تنسور مي تواند ويژگي سيگنال EEG ، كانال¬هاي EEG، زمان و يا فركانس سيگنال EEG باشد. در اين پژوهش، چهار روند براي مسئله پيش بيني حمله صرعي معرفي خواهد شد كه در انتها، دقت پيش بيني (به طور ميانگين از همه بيماران) تحت تكنيك K-Fold و LOOCV به ترتيب به عدد %99/77 و %92/06 رسيد.

232260

بيوالكتريك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان