سازمان :
دانشكده مهندسي,گروه مهندسي فناوري اطلاعات,دانشگاه آزاد اسلامي واحد مشهد,مشهد,ايران
كليدواژه :
برچسب زدن سيگنال مغزي , حالت هاي مختلف بيهوشي , تحليل غيرخطي , سيگنال هاي مغزي.
چكيده فارسي :
زمينــه و هــدف: ايــن پژوهــش يــك چهارچــوب محاســباتي بــراي طبقه بنــدي حالت هــاي مختلف بيهوشــي نظيــر بيداري، بيهوشــي ســبك و بيهوشــي و پارامترهاي محيطــي ارايــه مي دهد. EEG عمومــي بــه كمــك ســيگنال مغــزي مــواد و روش هــا: تفكيــك حالت هــاي مختلــف بيهوشــي توســط مراحلــي شــامل جمــع آوري داده، پيــش پــردازش، فرآينــد جديــد برچســب زدن ، انتخــاب طــول پنجــره ي مناســب تحليــل توســط الگوريتــم ژنتيــك، اســتخراج ويژگي توســط پارامترهــاي جــورث، آنتروپــي تقريبي، EEGســيگنال عــد همبســتگي و ضرايــب موجــك دابشــيز، بهنجــار ُ عــد فركتــال پتروشــن، نمــاي هرســت، بزرگ تريــن نمــاي لياپانــوف، پيچيدگــي لمپــل زيــو، ب ُب ســازي ويژگي هــا، انتخــاب ويژگي هــاي برتــر توســط تحليــل مولفه هــاي اصلــي پراكندهــي نامنفــي و طبقه بنــدي توســط شــبكه ي عصبــي تابــع ــي پارامترهــاي استخراج شــده از ّ مبنــاي شــعاعي انجــام مي شــود. فرآينــد الصــاق برچســب صحيــح، توســط نظــر فــرد خبــره و تحليــل كيفــي و كم كســي متري، فشارســنجي و زمــان تزريــق دارو صــورت مي گيــرد. ُ دســتگاه هاي محــرك عصبــي محيطــي، پالس ا يافته هــا: نتايــج پژوهــش نشــان مي دهــد خروجــي شــبكه بــراي تشــخيص حالــت بيــداري، بيهوشــي ســبك و بيهوشــي عمومــي بــه ترتيــب بــه رســيده اســت. بنابرايــن مــدل پيشــنهادي در طبقه بنــدي حالت هــاي مختلــف بيهوشــي بــه درصــد 99/32 و 98/62 ،93/98ــت ّدرصدهــاي صح رســيده اســت. 97/3ــت متوســط ّصح نتيجه گيري: درنهايت مشاهده مي شود روش پيشنهادي بازنمايي خوبي از رفتار مغز در حالت هاي مختلف بيهوشي دارد.
چكيده لاتين :
Aims and background: This study develops a computational framework for the classification of different
anesthesia states, including awake, moderate anesthesia, and general anesthesia, using electroencephalography
(EEG) signals and peripheral parameters.
Materials and Methods: The proposed method proposes data gathering; preprocessing; a new labeling process
of EEG signal; appropriate selection of window length by genetic algorithm; feature extraction by Hjorth
parameters, approximate entropy, Petrosian fractal dimension, Hurst exponent, largest Lyapunov exponent,
Lempel-Ziv complexity, correlation dimension, and Daubechies wavelet coefficients; feature normalization;
feature selection by non-negative sparse principal component analysis; and classification by radial basis
function (RBF) neural network. Correct labeling process of EEG signals is performed by an expert opinion and
also qualitative and quantitative analysis of the extracted parameters from peripheral nerve stimulator, pulse
oximetry, blood pressure, and the time of drug injection.
Findings: The results indicate that the proposed method would classify different anesthesia states including
awake, moderate anesthesia, and general anesthesia, with the accuracy of 93.98%, 98.62, and 97.3, respectively.
Therefore, the proposed method can classify different anesthesia states with the average accuracy of 97.3%.
Conclusion: Finally, the proposed method provided a good representation of the brain behavior in different
anesthesia states
