تشخیص تشنج های صرع سیگنال EEG با الگوریتم های یادگیری عمیق

صرع چیست؟

صرع (Epilepsy) یک اختلال مغزی است که با تشنج‌های (seizures) مکرر مشخص می‌شود. تشنج معمولاً به عنوان یک تغییر ناگهانی رفتار به دلیل تغییر موقت در عملکرد الکتریکی مغز تعریف می‌شود.

در وضعیت عادی، مغز به طور مداوم تکانه‌های الکتریکی کوچک با یک الگوی منظم تولید می‌کند. این تکانه‌ها در طول نورون‌ها (شبکه سلول‌های عصبی در مغز) و در سراسر بدن از طریق neurotransmitter (انتقال دهنده‌های عصبی) حرکت می‌کنند. در صرع، ریتم‌های الکتریکی مغز دچار عدم تعادل می‌شوند و در نتیجه تشنج‌های مکرر ایجاد می‌شود. در بیماران مبتلا به تشنج، الگوی الکتریکی طبیعی با انفجارهای ناگهانی و همزمان انرژی الکتریکی مختل می‌شود که ممکن است به مدت کوتاهی روی هوشیاری، حرکات یا احساسات آنها اثر بگذارد.

انواع تشنج ها

صرع معمولاً زمانی شناخته می‌شود که فرد حداقل دو تشنج داشته باشد که ناشی از برخی بیماری‌های شناخته شده‌ی پزشکی مانند ترک الکل یا قندخون بسیار پایین نباشد. اگر تشنج از ناحیه خاصی از مغز ناشی شود، علائم اولیه تشنج اغلب منعکس کننده عملکرد آن ناحیه است. نیمه راست مغز سمت چپ بدن را کنترل می‌کند و نیمه چپ مغز، سمت راست بدن را کنترل می‌کند. به عنوان مثال اگر تشنج از سمت راست مغز در ناحیه‌ای که حرکت شست را کنترل می‌کند، شروع شود ممکن است تشنج با تکان دادن شست یا دست چپ شروع شود.

• تشنج‌ها به قدری متفاوت هستند که متخصصان صرع اغلب انواع تشنج را مجدداً طبقه بندی می‌کنند. معمولاً تشنج به یکی از دو دسته اصلی تعلق دارد: تشنج عمومی اولیه و تشنج جزئی
• تفاوت بین تشنج‌ها در نحوه‌ی شروع شدن آنهاست.
  • تشنج عمومی اولیه با یک تخلیه گسترده شروع می‌شود که هر دو طرف مغز را به طور همزمان درگیر می‌کند.
  • تشنج جزئی با تخلیه الکتریکی در یک ناحیه محدود از مغز شروع می‌شود.
• صرعی که در آن تشنج از دو طرف مغز به طور همزمان شروع می‌شود، صرع عمومی اولیه نامیده می‌شود. عوامل ارثی در صرع عمومی جزئی مهم هستند که بیشتر از عوامل ژنتیکی ناشی می‌شوند. برخی از تشنج‌های جزئی مربوط به آسیب سر، عفونت مغزی، سکته مغزی یا تومور هستند اما در بیشتر موارد ناشناخته هستند. یکی از سوالاتی که برای طبقه بندی تشنج‌ها استفاده می‌شود این است که آیا هوشیاری (توانایی پاسخگویی و به خاطر سپردن) مختل شده یا حفظ می‌شود.

تشخیص

پزشک، تشخیص صرع را بر اساس علائم، نشانه‌های فیزیکی و نتایج آزمایش‌هایی مانند الکتروانسفالوگرام (EEG)، توموگرافی (CT) یا تصویربرداری رزونانس مغناطیسی (MRI) انجام می‌دهد.

معرفی دیتاست صرع Bonn آلمان

در این دیتاست، مجموعه‌ای از سری زمانی EEG معرفی شده است: ثبت EEG از

• افراد سالم
  • با چشمان باز(1)
  • چشمان بسته (2)
• ثبت EEG داخل جمجمه‌ای از بیماران صرعی در طول دوره‌های بدون تشنج از
  • داخل و خارج ناحیه ایجاد کننده تشنج (3) و (4)
• همچنین ثبت EEG داخل جمجمه‌ای حملات صرعی (5)

EEGهایی که در طی تشنج‌های صرعی ثبت می‌شوند ictal activity نام دارند که periodic و high amplitude هستند و از فعالیت همزمان جمعیت بزرگی از نورون‌ها تشکیل شده‌اند. پنج مجموعه (A-E) که هر یک حاوی 100 سگمنت single-channel EEG به مدت 23.6 ثانیه هستند. این سگمنت‌ها از ثبت EEG چندکاناله‌ی پیوسته انتخاب شده و برش داده شده‌اند پس از آنکه با بررسی چشمی، آرتیفکت‌ها حذف شده‌اند آرتیفکت‌هایی که به دلیل فعالیت عضلانی یا حرکات چشم بوجود آمده‌اند.

• موقعیت قرارگیری الکترودها در شکل زیر آمده است.

• مجموعه A: افراد در وضعیت بیدار با چشمان باز قرار دارند.
• مجموعه B: افراد در وضعیت بیدار با چشمان بسته قرار دارند.
• مجموعه‌های C, D, E از آرشیو تشخیص قبل از جراحی برداشته شده‌اند.
• مجموعه C: از Hippocampal نیمکره‌ی مخالف مغز ثبت شده‌ است.
• مجموعه D: سگمنت‌های این مجموعه از epileptogenic Zone ثبت شده‌اند.
• مجموعه E: این سگمنت‌ها در این مجموعه تنها حاوی فعالیت صرع تشنجی هستند.

دیتاست از آدرس زیر قابل دانلود است:

• de/epileptologie/arbeitsgruppenn/ag-lehnertz-neurophysik/downloads/
• دیتاست متشکل از 5 مجموعه است که هر مجموعه یک فایل زیپ حاوی 100 فایل متنی است.

تشخیص تشنج های صرع سیگنال مغزی با استفاده از الگوریتم های یادگیری عمیق

مقاله ای با نام Epileptic seizure detection with deep EEG features by convolutional neural network and shallow classifiers (2023) از این دیتاست برای ارزیابی مدل شبکه کانولوشنی خود استفاده کرده اند و به دقت 100 درصد روی این دیتاست دست پیدا کرده اند. معماری پیشنهادی عمیق آنها به صورت زیر است:

بخش یادگیری عمیق این مدل پیشنهادی از 5 بلوک کانولوشنی تشکیل شده است که هر یک متشکل از یک لایه کانولوشن، Batch Normalization، RelU و MaxPooling هستند و لایه ها به صورت Sequential (متوالی) پشت سر هم چیده شده اند و در انتها یک بلوک Fully Connected متشکل از یک لایه Flatten و دو لایه ی Dense و یک لایه Dropout قرار گرفته است که نقش کلاسیفایر را ایفا می کند.

نحوه ی خواندن این دیتاست و پیاده سازی این مقاله در محیط پایتون در دوره پردازش سیگنال مغزی با کتابخانه MNE-Python به طور کامل تدریس شده است.