عنوان

طراحی سیستم تشخیص فعالیتهای تشنجی با استفاده از روشهای یادگیری عمیق از روی سیگنال های الکتروکورتیکوگرافی در موش صحرایی

پ۲۸۲۶۱

per

طراحی سیستم تشخیص فعالیتهای تشنجی با استفاده از روشهای یادگیری عمیق از روی سیگنال های الکتروکورتیکوگرافی در موش صحرایی

مصطفی پیران شندرشامی

مهندسي برق و كامپيوتر

۱۴۰۱

۶۵ص.

سی دی

کارشناسی ارشد

مهندسی برق - الکترونیک

۱۴۰۱/۱۱/۱۹

بر اساس گزارش سازمان بهداشت جهانی، صرع شایع ترین اختلال مغزی است که تقریباً پنجاه میلیون نفر را درسراسر جهان تحت تاثیر قرار می دهد. تشخیص صرع به بازرسی دستی نوار مغزی متکی است که مستعد خطا و زمان بر است. تشخیص خودکار تشنج صرع از روی سیگنال EEGو یا ECoGمی تواند زمان تشخیص را کاهش دهد و هدف گذاری درمان را برای بیماران تسهیل کند. رویکردهای تشخیص کنونی عمدتاً بر ویژگی هایی متکی هستند که به صورت دستی توسط متخصصان موج و سیگنال طراحی شده اند. ویژگی ها برای تشخیص انواع الگوهای پیچیده در حجم زیادی از داده های EEG انعطاف ناپذیر هستند. علاوه بر این، EEG و ECoGسیگنال غیر ثابت هستند و الگوهای تشنج در بیماران و جلسات ضبط متفاوت است. داده های EEG و ECoG همیشه حاوی انواع نویزهای متعددی است که بر دقت تشخیص تشنج های صرعی تأثیر منفی می گذارد. برای پرداختن به این چالش ها، رویکردهای یادگیری عمیق در این مقاله مورد بررسی قرار گرفته است. داده های مورد استفاده در این تحقیق از نمونه های حیوانی (موش صحرایی) جمع اوری شده و تشنج ها به صورت غیر طبیعی توسط دارو ایجاد شده است. داده های سری زمانی بدون هیچ فیلتر خاصی به شبکه یادگیری عمیق اعمال شده اند. تنها فیلتر مورد استفاده فیلتر ناچ 50 هرتز برق شهری است. بعد از مطالعه و مقایسه شبکه های کانولوشنی برای طبقه بندی داده های این تحقیق انتخاب و استفاده شد. که بهترین نتیجه با دقت 95.22% و خطای 17.98% به دست امد. شبکه طراحی شده نتایج امیدوارکننده‌ای را برای ساخت آشکارسازهای تشنج شخصی‌سازی شده تولید کرد. برای افزایش دقت و کاهش خطا داده های کافی در دسترس نبود

According to the World Health Organization, epilepsy is the most common brain disorder that affects approximately fifty million people worldwide. Epilepsy diagnosis relies on manual EEG inspection, which is error-prone and time-consuming. Automatic diagnosis of epileptic seizure from EEG or ECoG signal can reduce diagnosis time and facilitate treatment targeting for patients. Current detection approaches mainly rely on features that are manually designed by domain experts. The features are inflexible for recognizing a variety of complex patterns in large volumes of EEG data. In addition, EEG and ECoG signals are non-constant and seizure patterns vary across patients and recording sessions. EEG and ECoG data always contain many types of noise, which negatively affect the accuracy of epileptic seizure diagnosis. To address these challenges, deep learning approaches are reviewed in this paper. The data used in this research were collected from animal samples (gerbils) and seizures were caused abnormally by drugs. Earth series data are applied to deep learning network without any special filter. The only filter used is the 50 Hz notch filter of the utility power. After studying and comparing, convolutional networks were selected and used to classify the data of this research. The best result was obtained with 95.22% accuracy and 17.98% error. The designed network produced promising results for the construction of personalized seizure detectors. Not enough data was available to increase accuracy and reduce error.

Design of epileptic activity detection system using deep learning methods from electrocorticographic signals in rats

‏پیران شندرشامی،

‏‏‏مصطفی

تهیه کننده

‏فرونچی،

‏خلیل زاده،

‏‏جواد

‏عماد

استاد راهنما

استاد مشاور

‏تبریز