عنوان

طراحي يک سيستم روي تراشه کم‌توان مختص بيمار و دارای قابلیت کاشت براي تشخيص تشنجات صرعي از روی سیگنال‌های مغزی

پ۲۴۵۸۹

per

طراحي يک سيستم روي تراشه کم‌توان مختص بيمار و دارای قابلیت کاشت براي تشخيص تشنجات صرعي از روی سیگنال‌های مغزی

رقيه آقازاده حبشی

مهندسی برق و کامپیوتر

۱۳۹۹

۱۲۶ص.

سی دی

دکتری

مهندسي برق گرایش الکترونیک

۱۴۰۰/۱۱/۱۷

صرع یکی از شایع‌ترین عارضه‌های مغزی است که مشخصه اصلی آن حملات تشنجی مکرر است. در حال حاضر 65 میلیون نفر در سراسر جهان به بیماری صرع مبتلا هستند و هرساله 2 میلیون نفر دیگر دچار این بیماری می‌شوند. منفی‌ترین جنبه تشنج که باعث می‌شود بیمار نتواند زندگی عادی خود را داشته باشد، غیرقابل‌پیش‌بینی بودن و رخداد ناگهانی آن است. یک الگوریتم تشخیص خودکار و بی‌درنگ می‌تواند هسته سیستم حلقه بسته‌ای باشد که به‌عنوان سیستم اعلام‌خطر تشنج، سیستم تزریق خودکار مقدار مشخصی از دارو و یا سیستم تحریک‌کننده الکتریکی مغز استفاده می‌شود. علاوه بر این، پیش‌بینی اینکه تشنج چه زمانی ممکن است رخ دهد، به بیماران کمک می‌کند از مواضع خطر دور شوند و زندگی ایمن و طبیعی داشته باشند. استخراج اطلاعات از حسگرهای عصبی متراکم چندکاناله برای تشخیص دقیق اختلالات مغزی، نیازمند روش‌های پردازش سیگنال با محاسباتی پیشرفته برای تجزیه و تحلیل حجم عظیم داده‌های ثبت شده است. سنجش فشرده (CS) یک روش کارآمد برای کاهش پیچیدگی محاسباتی و توان مصرفی در سیستم‌های عصبی چندکاناله قابل کاشت محسوب می‌شود. بااین‌حال، بازسازی سیگنال‌های فشرده‌شده از نظر محاسباتی بسیار پرهزینه است که آن را برای کاربردهای زمان واقعی مانند تشخیص تشنج ناکارآمد می‌کند. در این پژوهش، یک الگوریتم تشخیص تشنج برای غلبه بر این محدودیت‌ها با دور زدن مرحله بازسازی و پردازش مستقیم سیگنال‌های EEG فشرده‌شده ارائه شده است. از روش Lomb-Scargle Periodogram (LSP) برای استخراج ویژگی‌های طیف فرکانسی داده‌های فشرده‌شده استفاده می‌شود. عملکرد آشکارساز تشنج با استفاده از طبقه‌بندی ماشین بردار پشتیبانی غیرخطی (SVM)، بر روی 24 بیمار از مجموعه داده‌های CHB-MIT برای نسبت فشرده‌سازی (CR) ۱-۶۴ برابر آزمایش شد که مقادیر 96-93٪، 92-87٪ و ۹۵/۰-۹۱/۰ به ترتیب برای حساسیت، دقت و سطح زیر منحنی با تأخیر کمتر از یک ثانیه به دست آمدند. علاوه بر این، یک روش طبقه‌بندی کم‌مصرف بر اساس استفاده از طبقه‌بندی کننده خطی SVM پیشنهاد شده است. روش طبقه‌بندی پیشنهادی مبتنی بر طبقه‌بندی خطی SVM در مقایسه با طبقه‌بندی کننده‌های معمول استفاده‌شده مانند K-نزدیک‌ترین همسایه، جنگل تصادفی، شبکه عصبی مصنوعی و SVM خطی عملکرد طبقه‌بندی بهتری را به دست آورد، درحالی‌که در مقایسه با SVM غیرخطی مصرف توان کمتری دارد. همچنین پیاده‌سازی سخت‌افزاری بهینه این الگوریتم در یک SoC چندهسته‌ای کم توان برای تجزیه و تحلیل داده‌های نزدیک سنسور ارائه شده است: Mr.Wolf. اجرای بهینه این الگوریتم بر روی پلت فرم قادر به تشخیص تشنج با بودجه انرژی µJ ۴/۱۸ وµJ ۹/۳ برای نرخ فشرده‌سازی 24 برابر با استفاده از طبقه‌بندی کننده SVM غیرخطی و روش طبقه‌بندی مبتنی بر SVM خطی می‌باشد. همچنین به منظور کاهش توان سیستم در سطح سخت افزاری یک شتاب‌دهنده SVM برای پردازنده PULP طراحی‌شده و بلوک طبقه بند با استفاده از این شتاب دهنده پیاده‌سازی شد. علاوه بر این الگوریتم تشخیص تشنج به‌صورت ASIC نیز پیاده‌سازی شده است.

Epilepsy is one the most common serious brain disorders characterized by recurrent seizures. Epilepsy affects 65 million people today and about two million new cases occur each year worldwide. The most negative aspect of seizure is its sudden and un-predictable features. An algorithm for automatic real-time detection of seizures is the kernel of a system that can be used as a seizure warning system, automated anti-epileptic drug delivery system or on-demand deep brain electrical stimulation system. Moreover, predicting the onset of seizures would help sufferers to live a normal life safer, and they can move out of harm's way. Extracting information from dense multi-channel neural sensors for accurate diagnosis of brain disorders necessitates computationally expensive and advanced signal processing approaches to analyze the massive volume of recorded data. Compressive Sensing (CS) is an efficient method to reduce the computational complexity and power consumption in the resource-constrained multi-site neural systems. However, reconstructing the signal from compressed measurements is computationally intensive, making it unsuitable for real-time applications such as seizure detection. In this paper, a seizure detection algorithm is proposed to overcome these limitations by circumventing the reconstruction phase and directly processing the compressively sampled EEG signals. The Lomb-Scargle Periodogram (LSP) is used to extract the spectral energy features of the compressed data. Performance of the seizure detector using non-linear support vector machine (SVM) classifier, tested on 24 patients of the CHB-MIT data-set for compression ratios (CR) of 1–64x, is 96–93%, 92-87%, 0.95–0.91, and <1 s for sensitivity, accuracy, the area under the curve, and latency, respectively. A power-efficient classification method based on the utilization of dual linear SVM classifiers is proposed. The proposed classification method based on the dual linear SVM classification achieved better classification performance compared to commonly used classifiers, such as K-nearest neighbor, random forest, artificial neural network, and linear SVM, while consuming low power in comparison to non-linear SVM kernels. The hardware-optimized implementation of this algorithm is proposed on a low-power multi-core SoC for near-sensor data analytics: Mr. Wolf. Optimized implementation of this algorithm on Mr. Wolf platform leads to detect a seizure with an energy budget of 18.4 μJ and 3.9 μJ for a compression ratio of 24x using non-linear SVM classifier and the dual linear SVM based classification method, respectively. To reduce power consumption at the hardware level, an SVM accelerator has been designed to work in conjunction with PULP. The classification part of the seizure detection algorithm has been implemented using this accelerator. Moreover, the ASIC implementation of the proposed algorithm is also discussed in this thesis.

: epilepsy; EEG; Compressed Sensing; Lomb-scargle periodogram; Support vector machine; Embedded systems; Ultra-low power

آقازاده حبشی

‏ رقیه

تهيه کننده

‏فرونچی

‏خلیل زاده

‏ جواد

‏ عماد

استاد راهنما

استاد مشاور

‏ تبریز