پيش‌بيني تشنج صرعي از روي ويژگي‌هاي طيفي، زماني و مكاني سيگنال‌هاي نوار مغزي با استفاده از الگوريتم‌هاي يادگيري عميق

Epileptic Seizure Prediction from Spectral, Temporal, and Spatial Features of EEG Signals Using Deep Learning Algorithms

مقدمه: صرع يكي از شايع‌ترين اختلالات دستگاه عصبي است كه به ميزان زيادي زندگي بيماران را تحت تاثير قرار مي‌دهد. تشخيص زودهنگام حملات صرعي، تأثير زيادي بر كيفيت زندگي بيماران خواهد گذاشت. در اين پژوهش، يك معماري با ساختار شبكه عصبي عميق براي يادگيري ويژگي‌هاي ارزشمند از سيگنال‌هاي نوار مغزي (EEG) به منظور تشخيص و همچنين پيش‌بيني تشنج‌هاي صرعي ارائه شده است. مواد و روش‌ها: معماري ارائه‌شده متشكل از شبكه‌هاي عصبي پيچشي و حافظۀ طولاني كوتاه-مدت است و به نحوي طراحي شده است كه داده‌هاي مكاني، زماني و طيفي سيگنال‌هاي EEG را به كار ببندد. علاوه بر اين، شبكه طراحي‌شده بر روش‌هاي انتخاب صريح الكترودها تكيه ندارد. مدل ارائه شده روي مجموعه داده بيمارستان كودكان بوستون-مؤسسه فناوري ماساچوست (CHB-MIT) بكار بسته شده است. به منظور ارزيابي مدل، از رويكرد ارزيابي مختص بيمار (Patient-Specific) استفاده شده است. يافته‌ها: حساسيت معماري در پيش‌بيني تشنج برابر با 7/9 ± 90/7، نرخ پيش‌بيني اشتباه تشنج برابر با 0/12 در ساعت و ميانگين مدت زمان پيش‌بيني تشنج تا وقوع تشنج برابر با 36/8 دقيقه به دست آمد. همچنين مدل ارائه‌شده ناحيۀ كانون تشنج (در تشنج‌هاي كانوني) را نيز تخمين مي‌زند. نتيجه‌گيري: مدل ارائه‌شده به توانايي بالايي در پيش‌بيني تشنج دست يافت. همچنين با استفاده از قابليت استخراج خودكار ويژگي‌ها در يادگيري عميق، الگوي سيگنال‌ها دربازۀ پيش از تشنج با دقت مناسبي تعيين شدند. به علاوه، مدل بوسيلۀ تخمين ناحيۀ كانون تشنج، مي‌تواند متخصصان اعصاب را در اقدامات درماني مرتبط ياري نمايد.

Introduction: Epilepsy is one of the mos t common brain disorders that greatly affect patients’ life. However, early detection of seizure attacks can significantly improve their quality of life. In this s tudy, we evaluated a deep neural network to learn robus t features from electroencephalography (EEG) signals to automatically detect and predict seizure attacks. Materials and Methods: The architecture consis ts of convolutional neural networks and long short-term memory networks. It is designed to simultaneously capture spectral, temporal, and spatial information. Moreover, the architecture does not rely on explicit channel selection algorithms. The method is applied to the Children’s Hospital of Bos ton-Massachusetts Ins titute of Technology dataset (CHB-MIT). To evaluate the method, the proposed model is trained in the patient-specific approach. Results: The proposed architecture achieves a sensitivity of 90.7 ± 7.9 percent, a false prediction rate of 0.12/h, and a mean prediction time of 36.8 minutes. Moreover, in the cases of focal seizures, the proposed model es timates the seizure focus. Conclusion: The proposed model achieved a high capability in seizure prediction. Moreover, by using the automated feature selection of the deep learning algorithm, the patterns of the pre-ictal period in EEG signals were determined. Furthermore, by specifying the seizure focus, the model can help neurologists to take further curative actions