پیش‌بینی تشنج صرعی از روی ویژگی‌های طیفی، زمانی و مکانی سیگنال‌های نوار مغزی با استفاده از الگوریتم‌های یادگیری عمیق

مقدمه: صرع یکی از شایع‌ترین اختلالات دستگاه عصبی است که به میزان زیادی زندگی بیماران را تحت تاثیر قرار می‌دهد. تشخیص زودهنگام حملات صرعی، تاثیر زیادی بر کیفیت زندگی بیماران خواهد گذاشت. در این پژوهش، یک معماری با ساختار شبکه عصبی عمیق برای یادگیری ویژگی‌های ارزشمند از سیگنال‌های نوار مغزی (eeg) به منظور تشخیص و همچنین پیش‌بینی تشنج‌های صرعی ارائه شده است. مواد و روش‌ها: معماری ارائه‌شده متشکل از شبکه‌های عصبی پیچشی و حافظۀ طولانی کوتاهمدت است و به نحوی طراحی شده است که داده‌های مکانی، زمانی و طیفی سیگنال‌های eeg را به کار ببندد. علاوه بر این، شبکه طراحی‌شده بر روش‌های انتخاب صریح الکترودها تکیه ندارد. مدل ارائه شده روی مجموعه داده بیمارستان کودکان بوستونموسسه فناوری ماساچوست (chbmit) بکار بسته شده است. به منظور ارزیابی مدل، از رویکرد ارزیابی مختص بیمار (patientspecific) استفاده شده است. یافته‌ها: حساسیت معماری در پیش‌بینی تشنج برابر با 7/9 ± 90/7، نرخ پیش‌بینی اشتباه تشنج برابر با 0/12 در ساعت و میانگین مدت زمان پیش‌بینی تشنج تا وقوع تشنج برابر با 36/8 دقیقه به دست آمد. همچنین مدل ارائه‌شده ناحیۀ کانون تشنج (در تشنج‌های کانونی) را نیز تخمین می‌زند. نتیجه‌گیری: مدل ارائه‌شده به توانایی بالایی در پیش‌بینی تشنج دست یافت. همچنین با استفاده از قابلیت استخراج خودکار ویژگی‌ها در یادگیری عمیق، الگوی سیگنال‌ها دربازۀ پیش از تشنج با دقت مناسبی تعیین شدند. به علاوه، مدل بوسیلۀ تخمین ناحیۀ کانون تشنج، می‌تواند متخصصان اعصاب را در اقدامات درمانی مرتبط یاری نماید.

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

Introduction: Epilepsy is one of the most common brain disorders that greatly affect patients life. However, early detection of seizure attacks can significantly improve their quality of life. In this study, we evaluated a deep neural network to learn robust features from electroencephalography (EEG) signals to automatically detect and predict seizure attacks. Materials and Methods: The architecture consists of convolutional neural networks and long shortterm 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 #39;s Hospital of BostonMassachusetts Institute of Technology dataset (CHBMIT). To evaluate the method, the proposed model is trained in the patientspecific 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 estimates 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 preictal period in EEG signals were determined. Furthermore, by specifying the seizure focus, the model can help neurologists to take further curative actions.