Dalgacık dönüşümü ve modül maksimum yöntemine dayalı epileptik nöbet tespiti ve analizi
Yaygın olarak "boynuz rüzgarı" veya "koyun epilepsisi" olarak bilinen epilepsi (epilepsi), beyin nöronlarının ani anormal boşalmasının neden olduğu ve geçici beyin fonksiyon bozukluğuna yol açan kronik bir hastalıktır. Epileptik nöbet türleri, genel nöbetler, kısmi nöbetler ve ikincil genel nöbetler olarak ikiye ayrılabilir. Epilepsinin ani başlangıcı nedeniyle hastalar düşmeye, yanmaya, boğulmaya ve trafik kazalarına eğilimlidir. Epilepsili hastalar, hafıza bozukluğu, zihinsel gerileme ve kişilik değişiklikleri gibi ciddi bilişsel bozukluklara sahip olacaktır. Ayrıca epilepsi tehlikesi ruhsal tehlikeye de yansımaktadır Epilepsi hastaları genellikle toplum tarafından ayrımcılığa uğramakta, hastalar zihinsel olarak depresyona girmekte ve fiziksel ve ruhsal sağlıkları büyük ölçüde etkilenmektedir. Epilepsinin evrenselliği ve zararlılığı göz önüne alındığında, epilepsinin patojenik mekanizması, klinik tespiti ve odak yeri araştırmanın odak noktası ve zorluğu haline gelmiştir.
Epilepsi hastalığının teşhisi, esas olarak epilepsinin karakteristik dalgası olan klinik geçmişe ve EEG incelemesine dayanır ve saptanması, epilepsi olup olmadığına karar vermek için belirleyici bir öneme sahiptir. Son yıllarda, sinyal analizi ve işlemenin ve bilgisayar destekli akıllı teşhis teknolojisinin hızla gelişmesiyle birlikte, iki ana araştırma yönü vardır: (1) EEG'yi doğrudan analiz etmek için sinyal analiz yöntemlerini kullanmak, tahmin edilecek belirli parametrelerin farkını bulmak, Örneğin, TIBDEWAL MN ve arkadaşları, epileptik / epilepsi dışı EEG sinyallerinin varyans ve çoklu entropiye dayalı istatistiksel analizini gerçekleştirdi; Zhu Dongsheng ve Xu Yaning, normal EEG sinyalleri ile karşılaştırmak için hasta hastalığı bilgileri üzerinde Fourier dönüşümü tabanlı güç spektrumu analizi gerçekleştirdi Epileptik nöbetlerin EEG özelliklerini elde edin, ancak EEG sinyalleri çok bileşenli durağan olmayan sözde rastgele sinyaller olduğundan, Fourier dönüşümü ve uyarlanabilirliği iyi değildir ve tahmin doğruluğu yüksek değildir; Wang Pengxiang ve diğerleri, epileptik EEG özelliklerini kullandı. Sinyal analizini gerçekleştirmek için dalga tanıma algoritması. (2) Sinyal analizi yöntemlerini, epilepsi sinyallerini işlemek için makine öğrenimi sınıflandırma algoritmalarıyla birleştirmek.Örneğin, BEHNAM M ve diğerleri, yakalanan beyni etkileyebilecek, epilepsi modülü maksimum modeline dayalı nöbete özgü bir dalgacık tasarladı. Elektrik sinyali modellenir ve AdaBoost sınıflandırıcı, epileptik nöbetlerin tespiti ve sınıflandırılmasını gerçekleştirmek için kullanılır; PATIDAR S ve diğerleri, epileptik EEG sinyallerinin tek özellik tespitini gerçekleştirmek için TQWT'ye dayalı Kraskov entropi analiz yöntemini kullanır; Zhao Jianlin ve diğerleri ve Han Min dalgacık analizi ve desteğini kullanır Vektör makinesi SVM sınıflandırıcısı, normal EEG ve epileptik EEG'yi sınıflandırır; Li Muxiao, özellik vektörü olarak gerekli EEG sinyalinin örnek entropisini çıkarır ve ardından sınıflandırma ve tanıma için aşırı öğrenme makinesi algoritmasını kullanır, ancak SVM ve aşırı öğrenme makinesi sınıflandırma algoritmaları Doğrusal olmayan sınıflandırmanın evrensel bir çözümü yoktur, bu nedenle doğruluğu çok yüksek değildir.
Yukarıdaki problemlere dayanarak, bu makale dalgacık dönüşümü ve modül maksimum algoritmasına dayalı bir epilepsi algılama yöntemi önermektedir.
1 Epilepsi özelliği dalga ekstraksiyonu
1.1 Epilepsi karakteristik EEG sinyali dalgası
İnsan beyni elektrik sinyali, beyin sinir hücrelerinin elektrofizyolojik aktivitesinin serebral korteks veya kafa derisi yüzeyindeki genel yansımasıdır. EEG sinyalleri büyük miktarda fizyolojik ve hastalık bilgisi içerir Klinik pratikte EEG sinyalleri farklı frekanslara göre yavaş dalga, alfa dalga, hızlı dalga ve orta hızlı dalga olmak üzere 4 frekans bandına ayrılır. Sivri uçlar ve sivri uçlar, diğer arka plan etkinliklerini oluşturan dalgalar ve ritimlerden farklı olan sinyalin diğer bölümlerinden önemli ölçüde daha keskin olan dalga biçimlerine göre sınıflandırılır.
Tipik epilepsi karakteristik dalgaları sivri dalgalar, keskin dalgalar ve yavaş dalgalardan oluşur. Yaygın olanlar, Şekil 1'de gösterildiği gibi sivri uçlu dalgaları, keskin dalgaları, sivri-yavaş karmaşık dalgaları ve keskin yavaş karmaşık dalgaları içerir.
Bunlar arasında sivri dalga paroksismal anormal EEG'nin temel bir biçimidir. Genel zaman sınırı 20 ± 70 ms'dir. Dalga biçimi nispeten diktir. Genellikle negatif faz dalga biçimindedir, bazıları pozitif faz dalga biçimindedir ve bazen iki fazlı dalga biçimindedir. Veya üç fazlı dalga formu. Diken yavaş karmaşık dalga, diken dalgasını izleyen 200 ila 500 ms'lik bir süreye sahip yavaş bir dalgadır. Başak dalgası, başak dalgasına benzer, ancak süresi başak dalgasından daha uzundur. Her ikisi de negatif ve bifaziktir.Genel olarak, özellikle yüksek genlikli pozitif dalgalar olmak üzere üç faz vardır. Keskin-yavaş kompleks dalga, yavaş bir dalganın ortaya çıkması ve ardından keskin bir dalganın ortaya çıkmasıyla oluşan karmaşık bir dalgadır.Sesli dalganın süresi genellikle 80-120 ms, keskin dalganın yavaş dalga süresi yaklaşık 500-1000 ms'dir.
Epileptik EEG sinyali önemli sivri dalga karakteristik dalgaları içerir, bu nedenle epileptik EEG sinyalinin özellik çıkarımını gerçekleştirmek için diken dalgasını tanımlama yöntemi uygulanabilir ve güvenilirdir. Bu araştırma, sivri uçları belirlemek için dalgacık dönüşümü ve modül maksimum algılamasını kullanır.
1.2 Özellik çıkarma
Dalgacık analizi, çok etkili bir sinyal zaman-frekans analizi yöntemidir.Zaman alanındaki tek boyutlu bir sinyali iki boyutlu bir zaman / ölçek alanına dönüştürür.Zamanla değişen sinyalleri işlemek için benzersiz avantajları vardır.
Sürekli dalgacık dönüşümü süreci (CWT) aşağıdaki formülle ifade edilebilir:
Dönüşüm ölçeği a daha küçük olduğunda, merkez frekansı daha yüksektir ve bant genişliği daha geniştir; tersine, a daha büyük olduğunda, merkez frekansı daha düşüktür ve bant genişliği daha dardır. Sivri uçlar, beyin dalgalarında nispeten yüksek frekanslı bileşenlerdir ve bilgilerinin küçük ölçekli seviyelerde görünmesi daha olasıdır.
Modül maksimum algoritması, dalgacık analizi temelinde sinyallerin tekilliğini yargılayan ve analiz eden dalgacık analizine dayalı bir algoritmadır. Bu yazıda, modül maksimum sütununu hesaplamak için bir iyileştirme algoritması kullanılmıştır. İyileştirme algoritması işlevinin ifadesi şu şekildedir:
Dalgacık dönüşümü ve modül maksimum yöntemini birleştirerek, karakteristik dalga olarak küçük ölçekli dalgacık modülü maksimum katsayısı WTMMa, b'yi seçin. Her ölçeğin dalgacık modülü maksimum katsayısı WTMMa, b'deki değişiklikleri analiz ederek, karakteristik dalgalardaki şüpheli sivri uçlar taranabilir ve sivri uçlar düşük frekans bileşenlerinden ayrılabilir.
2 Deneysel analiz
Algoritmanın etkinliğini doğrulamak için, bu deneyde kullanılan epilepsi EEG verileri Amerika Birleşik Devletleri'ndeki yetkili CHB-MIT Scalp EEG Veritabanından gelmektedir. Veritabanı nöbetler sırasında epilepsili hastaların EEG'sini kaydeder ve 22 denekten (5 erkek, 3-22 yaş, 17 kadın, 1.5-19 yaş) toplam 23 dosya kaydeder. Tüm sinyaller 256 Hz örnekleme hızında ve 16 bit çözünürlükte örneklenir. Ek olarak, veri kaydı, çevresel müdahale ve göz izleme paraziti gibi gürültüyü ortadan kaldırmak için ön işleme tabi tutulmuş ve başlangıç döneminin zaman düğümü işaretlenmiştir, bu da doğrudan epilepsi veri analizine uygulanabilmektedir.
İstatistiklere göre epilepsi lezyonlarının en yaygın yeri elektrot ağının frontal kutup, anterior temporal, orta temporal ve posterior temporal bölgeleridir. İlgili elektrotlar Fp1, Fp2, F7, F8, T3, T4, T5, T6'dır (uluslararası 10-20 sisteminin EEG elektrot pozisyonunda toplam 8 elektrot bulunur, bu nedenle bu 8 elektrottan gelen veriler deneyde karakteristik dalga ekstraksiyonu için kullanılır. Aşağıdaki deney, Fp1 kanalını örnek olarak almaktadır.
Öncelikle veri tabanındaki orijinal EEG sinyali 1.024 veri noktası veri uzunluğu ile segmentlere bölünür ve üzerlerinde dalgacık analizi yapılır.Ürün ayrıştırma seviyesi 10, örnekleme hızı 256 ve iterasyon sayısı 6'dır. Temel dalgacık olarak db4 dalgacık alarak, ana dalgacık fonksiyon diyagramı Şekil 2'de gösterilmiştir. Apsis, birimsiz kaybolan moment düzenidir; ordinat, birimsiz dalgacık fonksiyonunun değeridir.
Fp1 kanalının Chb01 /, 001 kayıtlarını 0.5s ~ 4.5 s, deney için toplam 1.024 örnek alın. Dalgacık analizinden sonra, örnek olarak kanal Fp1 alınarak, bazı seviyelerin sonuçları Şekil 3'te gösterilmektedir ve apsis n, veri noktalarının sayısıdır.
Daha sonra dalgacık dönüşümü sonuç matrisindeki her dalgacık ayrıntısı d1 ~ d10 seviyesinin modül maksimum değerini 2 adıma göre hesaplayın, tekilliği formül (5) ile kontrol edin ve Şekil 4'te gösterildiği gibi modül maksimum değerinin bazı seviyelerde listelendiği sonucunu alın. Gösterildi.
Tekil nokta modülü maksimum sütununun frekans bantları arasındaki değişim eğiliminin daha ileri istatistiksel analizi, şüpheli sivri uç değer noktalarını filtrelemek için gerçekleştirilir. Tanıma algoritması aşağıdaki gibidir:
(1) Bir eşik belirleyin > 0, 1a5 için herhangi bir sayıda nokta 1x1024, eğer varsa | WTMM (a, x) | < , sonra WTMM (a, x) = 0;
(2) 1a6, segmentin kenarındaki eksik özellik dalgalarının neden olduğu yanlış yargılamanın hata oranını azaltmak için WTMM (a, 1) = WTMM (a, 1024) = 0 olarak ayarlayın;
(3) Başak dalgasının süresi çoğunlukla 20 ila 80 ms arasında olduğu için, sivri uç dalgası şüpheli noktasının büyük miktarda bilgisinin d1, d2 ve d3'ün üç seviyesinde görünme olasılığı daha yüksektir, bu nedenle karakteristik dalga şu şekilde alınır:
Böylece, oturtulmuş yüzey elde edilir Şekil 5, şüpheli sivri uç noktasının oturmuş yüzeyidir ve Şekil 6, sivri uçlu olmayan şüpheli noktanın takılan yüzeyidir.
Son olarak, karakteristik değer dalga dizisinin taranmasının yukarıda bahsedilen kısmı aracılığıyla, tespit edilen sivri uç dalga değeri dizisi elde edilir ve çıkarılan diken dalga değeri dizisi ile orijinal EEG sinyali arasındaki karşılaştırma Şekil 7'de gösterilir. Şekil 7 (a), algılama algoritması tarafından çıkarılan zirve değeri dizisidir ve Şekil 7 (b), orijinal EEG sinyalidir.
Epilepsili 19 hastanın EEG dikenleri tespit edildi Hastaların durumuna göre interiktal dönem ve interiktal dönem olmak üzere iki veri setine ayrılarak yüksek bir sivri uç tanıma oranı elde edildi.Sonuçlar Tablo 1'de gösterildi.
Yukarıdaki sonuçlardan, dalgacık dönüşüm modülü maksimum saptama yönteminin sivri uçların sayısını etkin bir şekilde saptayabildiği görülebilir. Farklı EEG sinyalleri için, bireysel farklılıklar, parazit ve diğer faktörler nedeniyle doğruluk oranları farklıdır. Uzmanlar tarafından tespit edilen sivri uçların sayısı ile karşılaştırıldığında, 19 numune arasında doğruluk oranı% 92,5'e kadar düşmektedir. Şekil 8, saldırıların başlangıcı sırasında ve saldırılar arasında iki veri setinde tespit edilen ani artış sayısının dağılımını göstermektedir. İstatistiksel ilke, sivri uçların sayısı üzerinde tek varyans analizi yapmak için kullanılır ve sonuç Şekil 9'da gösterilir.
Spike sayısının dağılım grafiğini ve tek varyans analizi grafiğini gözlemleyerek, aşağıdaki sonuçlar çıkarılabilir: Orijinal sinyalin sabit bir uzunluğu için, bu sistem tarafından tespit edilen epileptik ve interiktal fazlardaki EEG ani yükselmelerinin sayısı açıktır. Aradaki fark, epilepsi dönemindeki ani artış oranının, interiktal dönemdekinden önemli ölçüde daha yüksek olmasıdır; bu, bu tespit yönteminin, epilepsinin nöbet olup olmadığına karar vermek için bir temel olarak kullanılabileceğini doğrular.
3 Sonuç
Bu çalışma, EEG sinyallerinin durağan olmayan ve çok bileşenli özelliklerine uyum sağlamak için dalgacık dönüşümü ve modül maksimum algoritmasını birleştirir ve çeşitli özellik parametrelerinin EEG epilepsi sinyalleri üzerindeki etkisini inceler ve basit, inceltme işlevini kullanır. Verimli ve yüksek hassasiyetli algoritma. Analiz ve deneysel doğrulama yoluyla, dalgacık analizi, modül maksimum algoritması ile birleştirildiğinde, EEG sinyalini analiz etmek için kullanıldığında, tanısal doğruluk oranı% 92.5'in üzerindedir ve etki idealdir.
Bu araştırma, doktorların epilepsi hastalarını klinik olarak daha iyi teşhis etmelerine yardımcı olabilir. Bir sonraki adım epilepsi odağını bulmak ve epileptik nöbetlerin tahminini mümkün olduğunca elde etmektir.
Referanslar
TIBDEWAL M N, DEY H R, MAHADEVAPPA M, et al.Çok kanallı epileptik EEG'nin tespiti ve lokalizasyonu için çoklu entropi performans ölçüsü.Biyomedikal Sinyal İşleme ve Kontrol, 2017, 38: 158-167.
Zhu Dongsheng. Epilepsi sinyal analizi ve odak konumu Qinhuangdao: Yanshan Üniversitesi, 2016.
Xu Yaning. Dalgacık dönüşümüne dayalı olarak EEG sinyali epileptik diken tespiti, Guilin University of Electronic Technology, 2008, 28 (3): 97-98.
Wang Pengxiang, Zhang Zhaoji. Dalgacık dönüşümüne dayalı EEG imza dalga tanıma algoritması üzerine araştırma. Bilgi ve Bilgisayar (Teorik Baskı), 2017 (17): 63-65.
BEHNAM M, POURGHASSEM H. Nöbet modülü maximas modellerine dayalı CorrEntropy elips özelliklerini kullanarak epileptik nöbet tespiti için nöbete özgü dalgacık (Seizlet) tasarımı Journal of Neuroscience Methods, 2017, 267: 84-107.
PATIDAR S, PANIGRAHI T. EEG sinyallerinin ayarlanabilir-Q dalgacık dönüşümüne uygulanan Kraskov entropisini kullanarak epileptik nöbet tespiti Biyomedikal Sinyal İşleme ve Kontrol, 2017, 34: 74-80.
Zhao Jianlin, Zhou Weidong, Liu Kai, vb SVM ve dalgacık analizine dayalı EEG sinyal sınıflandırma yöntemi Bilgisayar Uygulamaları ve Yazılım, 2011, 28 (5): 114-116.
Han Min, Sun Zhuoran. Dalgacık dönüşümü ve AdaBoost aşırı öğrenme makinesine dayalı epilepsi EEG sinyallerinin sınıflandırılması Bilgisayar Uygulamaları, 2015, 35 (9): 2701-2705, 2709.
Li Muxiao. Epilepsi EEG sinyallerinin otomatik tespiti üzerine araştırma. Zhengzhou: Zhengzhou Üniversitesi, 2014.
Wang Chunmei Epilepsi EEG Sinyali Özellik Çıkarma ve Otomatik Algılama Yöntemi Araştırması Şangay: Doğu Çin Bilim ve Teknoloji Üniversitesi, 2011.
Wen Wanying, Li Zhi.MWC optimize edilmiş indirgeme algoritması dalgacık alanı eşiği denoising. Application of Electronic Technology, 2018, 44 (11): 64-67, 71.
PUCKOVS A, MATVEJEVS A.Dünya stok indeksi multifraktal analizi için dalgacık dönüşüm modülü maksima yaklaşımı Bilgi Teknolojileri ve Yönetim Bilimi, 2012, 15 (1): 76-86.
GOLDBERGER A L, AMARAL L A N, GLASS L ve diğerleri. PhysioBank, PhysioToolkit ve PhysioNet: karmaşık fizyolojik sinyaller için yeni bir araştırma kaynağının bileşenleri. Circulation, 2018, 101 (23): e215-e220.
SHOEB A H. Epileptik nöbet başlangıcını saptama ve tedaviye makine öğreniminin uygulanması Doktora Tezi, Massachusetts Institute of Technology, Eylül 2009.
Liu Xuefeng, Ma Zhousheng, Zhao Yanyang, ve diğerleri.MSE-PCA'ya dayalı EEG uyku evreleme yöntemi üzerine araştırma.Elektronik Teknoloji Uygulaması, 2017, 43 (9): 22-24, 29.
yazar bilgileri:
Liu Guangda, Wang Yimeng, Hu Qiuyue, Ma Mengze, Cai Jing
(Alet Bilimi ve Elektrik Mühendisliği Okulu, Jilin Üniversitesi, Changchun, Jilin 130061)
