| چکیده فارسی مقاله |
تشخیص اختلال بیش فعالی به کمک آنالیز غیر خطی سیگنال EEG یاسمن کیانی بروجنی1* ، علی اصغر رستگاری2، حامد خدادادی3 1گروه بیوشیمی سلولی ومولکولی، دانشگاه آزاد اسلامی، واحد فلاورجان، اصفهان، ایران، yaskiani2013@yahoo.com 2گروه بیوشیمی سلولی ومولکولی، دانشگاه آزاد اسلامی، واحد فلاورجان، اصفهان، ایران، aarastegari@gmail.com 3 گروه مهندسی برق، دانشگاه آزاد اسلامی، واحد خمینی شهر، اصفهان، ایران، hamed.khodadadi@gmail.com هدف و پیشینه بیش فعالی یک اختلال شایع رفتاری رشد دوران کودکی است که حدود 3 تا 7 درصد از آن ها را تحت تاثیر قرار میدهد (Sadock et al.,2007). ثبت الکتروانسفالوگرافی (EEG) از پوست سر به عنوان یک شاخص مهم اندازه گیری فعالیت عصبی میباشد (Loo and Barkley, 2005). از سوی دیگر، مطالعات نشان میدهد که آشوب نقش مهمی در تجزیه و تحلیل سیستم عصبی و استخراج خواص سیگنال مغز دارد (Freeman, 1988). همچنین، سیگنالهای EEG دارای ماهیت غیرخطی و آشوبناک هستند. مهمترین شاخص های آشوبی مورد استفاده مانند: بعد فرکتال (FD) (Sadatnezhad et al., 2011)، نمای لیاپانوف (LE) (Buyck and Wiersema, 2014)، آنتروپی تقریبی (ApEN) Sohn et al., 2010))، بعد همبستگی (CD) و نمای هرست (Mann and Lubar, 1992) در این زمینه بهکار رفتهاند. بهعلاوه، روشهای مختلفی نظیر ماشین بردار پشتیبان (SVM) (Mueller et al.,2011)، شبکه عصبی چند لایه (MLP) (Mohammadi et al., 2011) و الگوریتم ژنتیک برای طبقه بندی و تشخیص بیماری ها وجود دارد. هدف از این مطالعه، ارائه یک سیستم برای بررسی کودکان دارای اختلال بیش فعالی (ADHD) با استفاده از سیگنال EEG برای طبقه بندی و تشخیص اختلال ADHD میباشد. آزمایشات انجام شده بر روی مجموعهای از سیگنالهای EEG بدست آمده از 50 کودک ADHD و 26 کودک نرمال، به دقت 16/88 درصد منجر شد که نسبت به کارهای مشابه، از قدرت تشخیص بالایی برخوردار میباشد. کلمات کلیدی اختلال بیش فعالی، الکتروانسفالوگرافی، ماشین بردار پشتیبان (SVM)، تئوری آشوب روش در این پژوهش تعداد 76 کودک و نوجوان در محدوده ی سنی 4 تا 15 سال در کلینیک دکتر محمد بهداد (متخصص اعصاب و روان) شرکت نمودند. این افراد توسط روانپزشک مورد مصاحبه بالینی قرار گرفته و طبق معیارهای سنجشDSM-5 به دو گروه 50 و 26 نفره ADHD و نرمال تقسیم شدهاند. از نمونههای موجود، سیگنال EEG به مدت سه دقیقه در سه مرحله چشم باز (EO)، چشم بسته (EC) و فعالیت (CT) ثبت گردید. از سوی دیگر، تئوری آشوب یک ابزار قدرتمند در زمینه تشخیص بیماری های مختلف است (Khodadadi et al., 2017) که به دلیل ماهیت غیرخطی و آشوبناک سیگنالهای EEG میتواند در زمینه تشخیص بیماریهای مغزی به کار رود. شاخصهای آشوبی استفاده شده شامل نمای لیاپانوف، آنتروپی نمونه و آنتروپی فازی است. نمای لیاپانوف (LE)معیاری برای تشخیص میزان سرعت واگرا شدن دو نقطه نزدیک هم روی یک مسیر حالت با گذشت زمان است (Broer and Taken, 2009). آنتروپی نمونه (SampEn) میزان منظم بودن و یا پیچیده بودن سری های زمانی را مورد ارزیابی قرار میدهد (Lake et al., 2002). آنتروپی فازی(FuzzyEN) تئوری مجموعه فازی را در تعیین میزان نامنظمیها و پیچیدگیهای سیگنالها و سیستمها به کار میبرد (Yeniyayla et al., 2011). نتایج پیش پردازش سیگنال EEG: از آنجایی که سیگنال EEG تحت تاثیر نویز و آرتیفکت قرار میگیرد و با توجه به حجم بالای دادهها سعی بر آن شد که 10ثانیه از سیگنال های که فاقد نویز و آرتیفکت هستند را انتخاب کنیم. همچنین از آنجاییکه حالت EC نسبت به دو حالت دیگر نویز و آرتیفکت کمتری دارد، برای دستیابی به دقت بیشتر تمرکز روی این مرحله انجام گرفت. جدول 1. میانگین شاخص های آشوبی محاسبه شده برای نمونه های ADHD و Normal Normal ADHD شاخص های آشوبی 8516/0 9160/0 LE 4264/2 5201/2 SampEN 2407/1 4076/1 FuzzyEN نتایج بدست آمده برای هر یک از شاخصهای آشوبی در جدول 1 بیانگر تفاوت معنادار بین افراد با اختلال بیش فعالی و نرمال میباشد که این تفاوت تایید کننده ماهیت آشوبی سیگنالهای EEG در افراد ADHDاست و میتواند توانایی شاخصهای ارائه شده در افتراق این دو گروه را نشان دهد. برای ارزیابی ویژگیهای غیرخطی محاسبه شده در طبقهبندی کودکان نرمال و ADHD، مجموعه دادههای بهدست آمده باید طبقهبندی شوند. برای این منظور از SVM استفاده میشود که این الگوریتم یکی از روشهای یادگیری تحت نظارت است که می تواند برای تحلیل دادهها، شناسایی الگوها و طبقهبندی استفاده شود. در طبقه بندی به کمکSVM به ترکیب دوتایی شاخص های آشوبی LE و FuzzyEn ، LE و SampEN، FuzzyEn و SampENپرداختیم و درصد دقت تشخیص برای هر یک از ترکیب شاخص های آشوبی محاسبه شد. جدول 2. نتایج حاصل از طبقه بندی SVM دقت ( % ) شاخص های آشوبی 84/86 LE, SampEN 53/85 LE , FuzzyEN 16/88 FuzzzyEN,SampEN در جدول (2) مقایسه بین میزان درصد دقت طبقه بندی SVM را نشان می دهد. که از این میان ترکیب دو شاخص FuzzzyEN, SampEN با مقدار 16/88 درصد از بالاترین قدرت تشخیص و طبقه بندی در SVM برخوردار می باشد. نتیجه گیری بیش فعالی یک اختلال رایج در کودکان است و تشخیص زود هنگام برای جلوگیری از عوارض آن مهم است. در این مقاله یک سیستم تشخیص به کمک کامپیوتر (CAD) برای تشخیص ADHD پیشنهاد شد از ترکیب شبکه عصبی SVM و شاخصهای آشوبی استفاده میکند. سیستم پیشنهادی دارای قابلیت استفاده در تشخیص و طبقهبندی دادهها با درصد دقت بالایی میباشد. تشخیص به کمک کامپیوتر یک ابزار کمکی است که در اختیار پزشک قرار میگیرد و در تصمیم گیری نهایی به آن کمک میکند و صرفاً یک ابزار جهت تشخیص بهتر و دقیقتر است. پیشنهادات: به جزء طبقه بندی توسط SVM می توان از تفکیک کنندههای دیگری مانند: درخت تصادفی، طبقهبند آدابوست و طبقه بند بیزین نیز استفاده کرد. مراجع Broer, H., Takens, F., 2009. Dynamical Systems and Chaos. Jornal of Springer. 172: 1-6. Buyck, I., Wiersema, J.R., 2014. Resting electroencephalogram in attention deficit hyperactivity disorder: Developmental course and diagnostic value, Psychiatry Res. 216(3): 391-397. Freeman, W.J., 1988. Strange attractors that govern mammalian brain dynamics shown by trajectories of electroencephalographic (EEG) potential, IEEE Trans Circuits Syst. 35(7): 781–783. Khodadadi, H., Khaki Sedigh, A., Ataei, M., Jahed Motlagh, M.R., Hekmatnia, A., 2017. Nonlinear Analysis of the Contour Boundary Irregularity of Skin Lesion Using Lyapunov Exponent and K-S Entropy. J. Med. Biol. Eng. 37(3):1-11. |
