پایگاه خبری تحلیلی فناوری و نوآوری

به گزارش پایگاه خبری تحلیلی فناوری و نوآوری،  به نقل از دانشگاه تربیت مدرس، صابر حبیبی که این پژوهش در قالب پایان نامه کارشناسی ارشد وی در رشته مهندسی پزشکی انجام شده است، گفت: بیش از ۶۵ میلیون نفر در دنیا مبتلا به بیماری صرع هستند.

وی افزود: بنابراین وجود الگوریتم‌های پیش‌بینی کننده حمله‌های قریب الوقوع برای ایجاد هشدار قبل از وقوع حمله‌های صرعی برای جلوگیری از وقوع حمله و یا کاهش صدمات وارده، لازم و ضروری به نظر می رسد.

این پژوهشگر اظهار داشت: الکتروانسفالوگرام(EEG) ازجمله سیگنال‌های حیاتی پرکاربرد برای پیش‌بینی حمله‌های صرعی است.

حبیبی عنوان کرد: روش‌های پیشنهادشده در مطالعات قبلی به دلیل وجود تفاوت در نوع حمله ها و همچنین کوتاه‌مدت بودن ثبت‌ها و عدم ارزیابی آماری نتایج بدست آمده، قابل اعتماد نبوده است.

وی اظهار داشت: برای غلبه به این محدودیت ها، در این پژوهش، روش جامعی بر اساس استخراج ویژگی‌های جدید از حالت های پیش صرعی و غیرصرعی از سیگنال‌های الکتروانسفالوگرام سطحی و انتخاب ویژگی‌هایی با قابلیت جداپذیری بیشینه بین داده‌های دو کلاس غیرصرعی و پیش صرعی ارائه‌شده است.

این پژوهشگر گفت: آنتروپی فازی معیاری برای محاسبه میزان بی‌نظمی سیگنال است. از این ویژگی، در مطالعات قبلی برای تحلیل سیگنال‌های حیاتی مختلفی مانند EMG و ECG استفاده ‌شده است. همچنین در حوزه صرع نیز برای آشکارسازی حمله‌های صرعی به کار رفته است.

حبیبی ادامه داد: در این مطالعه، آنتروپی فازی برای پیش‌بینی حمله‌های صرعی به صورت بیمار به بیمار استفاده می‌شود.

وی افزود: ابتدا ویژگی آنتروپی فازی از ثبت‌ های EEG سطحی چندکاناله، استخراج شده است.

این پژوهشگر اضافه کرد: مرحله انتخاب ویژگی و طبقه بندی به دو قسمت انتخاب و طبقه بندی تک ویژگی و چندویژگی تقسیم شده است. در رویکرد انتخاب و طبقه بندی تک ویژگی، با استفاده از ماتریس پراکندگی، تک ویژگی که بیشترین جداپذیری میان کلاس پیش صرعی و غیرصرعی را داشته انتخاب و با استفاده از آستانه گذاری طبقه بندی شده است.

حبیبی تاکید کرد: درصورتی که تک ویژگی انتخاب شده نتایج پیش فرض(حساسیت بالای ۶۶ درصد نرخ پیش بینی اشتباه کمتر از ۲/۰) را نداشته باشد، رویکرد انتخاب و طبقه بندی ویژگی چندبعدی اتخاذ شده است.

وی اضافه کرد: در رویکرد دوم، ویژگی های چندبعدی از روی داده های آموزشی فرد، با الگوریتم SFS انتخاب و به طبقه بند ماشین بردار پشتیبان با هسته RBF داده‌شده است.

این پژوهشگر اضافه کرد: روش معرفی‌شده روی پایگاه داده CHB-MIT شامل ثبت‌های سطحی از افراد با محدوده سنی ۲۲-۵.۱ سال آزمایش شده است.

حبیبی گفت: درنهایت معیارهای ارزیابی مانند حساسیت، نرخ پیش‌بینی اشتباه، میانگین زمان پیش بینی، مقدار p-value گزارش و با مطالعات اخیر مقایسه شده است.

وی افزود: نتایج شبیه سازی ها نشان می‌دهد که روش پیشنهادی در مقایسه با مطالعات اخیر از داده های پیش صرعی کمتری برای آموزش استفاده کرده و به نتایج مشابه رسیده است.

این پژوهش با راهنمایی دکتر بابک محمدزاده اصل عضو هیات علمی دانشکده مهندسی برق و کامپیوتر انجام شده است.