طراحي سيستم تشخيص صرع كانوني با استفاده از نگاشت مغز، تكنيك‌هاي پردازش تصوير و شبكه‌هاي عصبي مصنوعي

Designing a local seizure detection system using brain mapping, image processing techniques, and artificial neural networks

چكيده زمينه و هدف: متداول‌ترين روش تشخيص پاراكلينيكي صرع، نوار مغز يا الكترونسفالوگرام (EEG) مي‌باشد كه با آناليز چشمي توسط متخصصين نورولوژي انجام مي‌گيرد، اما به دليل موارد منفي كاذب و هم‎چنين عدم امكان بررسي ارتباط ساير الكترودها و نواحي مغز با هم، از آن به صورت منحصر به فردي در تشخيص صرع استفاده نمي‌شود. در سال‌هاي اخير الكترونسفالوگرام كوانتيزه (QEEG) به ابزاري قدرت‌مند در تشخيص ناهنجاري‌هاي فعاليت الكتريكي مغز تبديل شده است. بنابراين پژوهش در زمينه بهبود كارايي EEG، تحليل و پردازش تصاوير نگاشت مغز متناسب با روش‌هاي نوين كه داراي تصاوير دو يا سه بعدي از مغز هستند و تشخيص خودكار بيماري صرع ضروري است. مواد و روش‌ها: در اين مقاله مقطعي، از طريق استخراج مشخصه صرع با محاسبه انرژي هر كانال EEG، الگوي نگاشت مغز هر بيمار مبتني بر درون يابي مكعبي رسم و با استفاده از روش‌هاي تركيبي پردازش تصوير، الگوهاي صرع عمومي و صرع جزيي و مركز پتانسيل صرع توسط شبكه عصبي مصنوعي LVQ تشخيص داده مي‌شود. يافته‌ها: در الگوريتم پيشنهادي الگوي نگاشت 11 نوع صرع شامل 10 نوع صرع جزيي و 1 الگوي صرع عمومي به صورت خودكار تشخيص داده شد. نتيجه‌گيري: با توجه به پيچيدگي تشخيص صرع در نوار مغز و سيگنال الكترونسفالوگرام و كمبود متخصصين نورولوژي خبره در بسياري از مناطق كشور اين طرح مي تواند به عنوان يك روش هوشمند جهت تشخيص صرع مورد استفاده قرار گيرد كه با تعميم اين روش مي‌توان انواع الگوهاي بيماري‌هاي مغزي را تشخيص داد. واژگان كليدي: الكترونسفالوگرافي، تبديل ويولت، نگاشت مغز، صرع

Abstract Background: The general method for paraclinic diagnosis of epilepsy is electroencephalography that is performed by visual analysis by experienced neurologist. However, due to false detection and impossibility of evaluating electrodes and brain areas coherence, it is not uniquely used for seizure detection. In recent years, Quantitative Electroencephalogram (QEEG) has become a strong instrument for detection of brain disorders. Hence, studies in the field of EEG performance improvement and brain mapping images analysis corresponding to new methods that contain 2-D and 3-D output images and automatic epilepsy diagnosis are necessary. Materials and Methods: In this cross-sectional study, through extracting epilepsy feature by computing the energy of each EEG channel, brain map pattern of each patient was plotted using cubic interpolation and generalized and partial patterns and potential center of epilepsy were diagnosed by LVQ artificial neural network using image processing combination methods. Results: In the proposed algorithm, 11 epilepsy brain mapping patterns, including 1 generalized and 10 partial seizure patterns, were automatically diagnosed. Conclusion: Since seizure detection in the EEG signals is a complex procedure and the number of expert neurologists is small, this schema can be used for epilepsy diagnosis as an intelligent diagnosis method so that generalization of this method can help detect various brain disorders. Keywords: Brain mapping, Electroencephalography, Epilepsy, Wavelet transforms