پ۲۵۴۶۴
per
طراحی سیستم تشخیص درد نوروپاتیک ناشی از قطع عصب تیبیال با استفاده از سیگنال‌های ECOG در موش صحرایی و پیاده‌سازی آن روی FPGA
حورا محسنی
مهندسی برق و کامپیوتر
۱۴۰۰
۷۴ص.
سی دی
کارشناسی ارشد
برق و کامپیوترمهندسی الکترونیک گرایش مدارهای مجتمع
۱۴۰۰/۰۶/۳۰
درد نوروپاتیک بیانگر درد ناشی از تحریک مستقیم دستگاه اعصاب محیطی یا مرکزی است. دردهای نوروپاتیک دردهای مزمنی هستند که به دنبال آسیب‌های بافتی (آسیب رشته‌های عصبی) ایجاد می‌شوند. به این دلیل که در حال حاضر روش‌هایی غیر از پرسش‌هایی از بیمار و در موارد خاصی آزمایش‌های خون روش دیگری برای تشخیص این درد معرفی نشده است، درنتیجه پیشنهاد یک روش کمی بر اساس تحلیل و آنالیز سیگنال‌های حیاتی و یا تصاویر بیولوژیکی جهت تشخیص دقیق درد نوروپاتیک ضروری به نظر رسید. مخصوصاً برای بیمارانی مانند نوزادان که قادر به پاسخگویی به سؤالات متخصصان نیستند و همین‌طور حیوانات این روش بسیار کارآمد و مفید خواهد بود. در این پژوهش تلاش کرده‌ایم با استفاده از پردازش سیگنال‌های ECOG در نواحی خاصی از مغز موش صحرایی و باندهای فرکانسی مختلف روشی علمی و دقیق برای تشخیص درد نوروپاتیک در موش‌های صحرایی ارائه دهیم . به‌منظور دستیابی به این هدف ابتدا درد نوروپاتیک را به‌صورت تصنعی در این موش‌ها ایجاد کردیم. برای این کار از روش قطع شاخه تیبیال که یکی از مدل‌های آسیب اعصاب محیطی است استفاده شده است. پس از گذشت 14 روز به‌وسیله آزمون استون به القا درد و ثبت داده‌ها پرداختیم. برای ثبت سیگنال‌های ECOG، پنج الکترود در سر موش‌ها کاشته شد که شامل چهار کانال و یک رفرنس بود. با استفاده از داده‌هایی که از 10 رأس موش که پنج رأس دارای درد نوروپاتیک و پنج رأس موش سالم جمع‌آوری شد به مطالعه پرداختیم. داده‌ها پیش‌پردازش و با بهره‌گیری از چندین ویژگی و انتخاب ویژگی به‌وسیله روش‌های جنگل‌های تصادفی و انتخاب پیشرو متوالی انجام شد و به‌وسیله طبقه‌بندی کننده‌های جنگل‌های تصادفی، SVM و KNN پردازش شدند. سه کلاس بند 4کلاسه (پای چپ دو گروه درد و کنترل و پای راست دو گروه) ،دو کلاسه SL-TL(پای چپ هر دو گروه) و دو کلاسه TL-TR (پای چپ گروه درد و پای راست گروه درد) برای طبقه‌بندی استفاده شدند و در آخر پیاده‌سازی روی FPGA با توجه به محدودیت‌های پیاده‌سازی تنها در حالت دو کلاسه بین داده‌های پای چپ گروه کنترل و گروه درد و تنها با استفاده از ویژگی انرژی کانال سوم انجام گرفت.
Neuropathic pain refers to pain caused by direct stimulation of the peripheral or central nervous system. Neuropathic pain is chronic pain that results from tissue damage (damage to nerve fibers). Because there is currently no method other than patient questions and in some cases blood tests for diagnosing this pain, we suggest a quantitative method based on the analysis of vital signals or biological images for accurate diagnosis of neuropathic pain. This method will be especially effective and useful for patients such as infants who are unable to answer the questions of specialists as well as animals.In this study, we tried to provide a scientific and accurate method for diagnosing neuropathic pain in rats by processing ECOG signals in specific areas of the rat brain for different frequency bands. To achieve this goal, we first artificially induced neuropathic pain in these mice. To do this, the method of cutting the tibial branch, which is one of the models of peripheral nerve damage, has been used. After 14 days, we induced pain and recorded data using the acetone test. To record ECOG signals, five electrodes were implanted in the heads of mice, including four channels and a reference. We studied data collected from 10 mice, five of which had neuropathic pain and five of which were healthy. Data were processed using features calculation and selection by random forest (RF), and sequential lead selection (SFS) methods. Right after, they were classified by the same random forest, SVM and KNN classifiers. A 4-class (left leg of pain and control groups and right leg of two groups), and two 2-class (SL-Tl: left leg of both groups, TL-TR: left leg of pain group, right leg of pain group) classification algorithms were run for each of the abovementioned classifiers. Eventually, a 2-class (SL-TL) classifier were implemented on FPGA using only one feature (energy in channel 3) due to the implementation limitations. In the 4-class mode, KNN and random forest models outperformed SVM, in TR-TL mode, KNN (more than 95% accuracy) and in SL-TL mode, both RF and SVM methods (more than 95% accuracy) ended in the best results. In terms of implementation on FPGA, the model was trained with the channel 3 energy feature in MATLAB, which yielded %84.44 accuracy. Simulation of test data in ISE achieved to accuracy of %83.33.Due to the location of channels 1 and 3, which played the most important role in the diagnosis of pain, pain could be detected in the right hemisphere (S1, and prefrontal cortex, to be more specific). Also, it was present in all frequency bands including delta, theta, alpha, beta, and gamma.
Design of a detection system for neuropathic pain evaluation in rats induced by tibial nerve transection using ECOG signals and its implementation on FPGA
محسنی،
حورا
تهيه کننده
فرونچی،
خلیل‌زاده،
جواد
عماد
استاد راهنما
استاد مشاور
تبریز
