تشخیص پارکینسون از اسپکتوگرام سیگنال EEG مبتنی بر ویژگی¬های عمیق بهینه شده
الموضوعات :زهرا حکمتی 1 , محمد ساجدی پور 2 , زهرا مرادی نژاد 3
1 - گروه مهندسی پزشکی، دانشکده فنی مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
2 - گروه مهندسی پزشکی، دانشکده فنی مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
3 - گروه مهندسی پزشکی، دانشکده فنی مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
الکلمات المفتاحية: بیماری پارکینسون, شبکه عصبی کانولوشن, یادگیری عمیق, سیگنال EEG,
ملخص المقالة :
بیماری پارکینسون (PD) نوعی اختلال پیشرونده سیستم عصبی است که بر روی حرکت تأثیر میگذارد. در این بیماری، علائم به تدریج شروع شده و گاهی اوقات تنها با یک لرزش کوچک در یک دست، که فرد به سختی متوجه آن می شود، آغاز می گردد. علاوه بر لرزش ها که بسیار رایج هستند، این اختلال معمولاً باعث خشکی یا کند شدن حرکت نیز می شود. یکی از راه های تشخیص بیماری پارکینسون الکتروانسفالوگرافی میباشدکه اطلاعات مغزی را ثبت کرده و به تشخیص بیماری می پردازد. روش های یادگیری عمیق مهمترین و متداولترین روش ها برای تشخیص خودکار بدون دخالت دست می باشند. در این مقاله با استفاده از روش یادگیری عمیق برمبنای شبکه عصبی کانولوشن ویژگی ها را از اسپکتوگرام سیگنال EEG استخراج کرده سپس با انتخاب ویژگی های برتر به بهینه کردن ویژگی ها پرداخته است، که برای انجام این امر از دو حالت استفاده می شود: الف) 1000ویژگی استخراج شده و 10 ویژگی برتر ب) 1000 ویژگی استخراج شده و 20 ویژگی برتر، سپس به بررسی حالت ها برای تشخیص بیماری پارکینسون پرداخته شده و شبیه سازی های لازم انجام گردید و پس از ارزیابی، به این نتیجه دست یافتیم که در حالت دوم (استخراج 20 ویژگی برتر)، طبقه بندی ماشین بردار پشتیبان با صحت 33/97 % برای تشخیص پارکینسون نسبت به حالت اول و بقیه طبقه بندی کننده ها به نتایج بهتری دست یافت. نتایج بدست آمده حاکی از آن است که روش پیشنهادی، روشی مناسب و کارآمد برای تشخیص بیماری پارکینسون با استفاده از سیگنال EEG می باشد.
[1] N. Kannathal, C. M. Lim, U. R. Acharya, P. K. Sadasivan, “Entropies for detection of epilepsy in EEG”, Comput. Methods Programs Biomed., vol. 80, no. 3, pp. 187–194, 2005.
[2] L. Pezard, R. Jech, E. Růžička, “Investigation of nonlinear properties of multichannel EEG in the early stages of Parkinson’s disease”, Clin. Neurophysiol., vol. 112, no. 1, pp. 38–45, 2001.
[3] I. T. French, K. A. Muthusamy, “A review of the pedunculopontine nucleus in Parkinson’s disease”, Front. Aging Neurosci., vol. 10, p. 99, 2018.
[4] B. T. Klassen, J. G. Hentz, H. A. Shill, E. Driver-Dunckley, V. G. H. Evidente, M. N. Sabbagh, J. N. Caviness, “Quantitative EEG as a predictive biomarker for Parkinson disease dementia”, Neurology, vol. 77, no. 2, pp. 118–124, 2011.
[5] A. A. Handojoseno, J. M. Shine, T. N. Nguyen, Y. Tran, S. J. Lewis, H. T. Nguyen, “The detection of Freezing of Gait in Parkinson's disease patients using EEG signals based on Wavelet decomposition”, in Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. (EMBC), 2012.
[6] P. Miguel, J. Paulo, “Classification of Electroencephalogram Signals Using Artificial Neural Networks”, in Proc. 3rd Int. Conf. Biomed. Eng. Informatics (BMEI), 2010.
[7] N. E. Huang, Z. Shen, S. R. Long, M. C. Wu, H. H. Shih, Q. Zheng, N. Yen, C. C. Tung, H. H. Liu, “The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis”, Proc. R. Soc. Lond. Ser. A Math. Phys. Eng. Sci., vol. 454, no. 1971, pp. 903–995, 1998.
[8] W. Chen, J. Zhuang, W. Yu, and Z. Wang, “Measuring complexity using fuzzyEn, ApEn, and SampEn”, Med. Eng. Phys., vol. 31, pp. 61–68, 2009.
[9] M. A. Colominas, G. Schlotthauer, and M. E. Torres, “Improved complete ensemble EMD: a suitable tool for biomedical signal processing”, Biomed. Signal Process. Control, vol. 14, pp. 19–29, 2020.
[10] M. A. Colominas, G. Schlotthauer, M. E. Torres, and P. Flandrin, “Noise-assisted EMD methods in action”, Adv. Adapt. Data Anal., vol. 4, no. 1250025, 2020.
[11] I. Daly, S. J. Nasuto, and K. Warwick, “Brain computer interface control via functional connectivity dynamics”, Pattern Recogn., vol. 45, pp. 2123–2136, 2012.
[12] R. Silva, P. Almeida, C. Santos, “Exploring the complexity of EEG patterns in Parkinson’s disease: Insights into disease progression”, Neurobiol. Aging, vol. 138, p. 39, 2024
