پیش گویی برخط و تک کاناله وقوع حمله های صرعی با ارائه الگوی تولید صرع بر روی سیگنال های depth-EEG با استفاده از فیلتر کالمن توسعه یافته

تاکنون برای پیش گویی وقوع حمله های صرعی تلاش های فراوانی انجام شده است و موثرترین این روش ها نیز بر پایه چگونگی ایجاد حمله صرعی، هم زمانی بین کانال های متفاوت، ثبت فعالیت مغز را موردتوجه قرار داده اند. این روش ها، برای رسیدن به دقت پیش گویی بالا، به تعداد زیادی از کانال های ثبت فعالیت مغز نیاز دارند و به همین دلیل در عمل مورداستفاده بیماران نخواهند بود. با توجه به این نکته که عامل ایجاد هم زمانی بین بخش های متفاوت مغز، میزان فعالیت مهاری و تحریکی در نورون هاست؛ انتظار می رود دقت پیش گویی وقوع حمله صرعی با توجه به میزان مهار و تحریک در نورون های مغز بهبود یابد. در این مقاله برای شبیه سازی تولید خودبه خودی حمله صرعی، یک الگو فیزیولوژیک با یک الگو آماری فضای حالت (SSM) ترکیب شده است. شاخصه های الگوی فیزیولوژیک، میزان فعالیت مهاری و تحریکی نورون ها و خروجی آن، سیگنال های depth-EEG است. در این الگو فیزیولوژیک، تغییر میزان مهار و تحریک، به بروز رفتارهای متفاوتی در سیگنال فعالیت مغز در خروجی الگو منجر می شود. الگوی SSM برای شبیه سازی رفتار شاخصه های مهار و تحریک در الگو فیزیولوژیک استفاده شده است. با توجه به این الگو و با استفاده از یک فیلتر کالمن توسعه یافته، می توان شاخصه های مهار و تحریک پنهان در سیگنال های مغزی نوفه ای را به صورت برخط استخراج کرد. با در دست داشتن دنباله شاخصه های مهار و تحریک (به جای سیگنال های depth-EEG)، رفتار شاخصه ها با استفاده از یک طبقه بندی کننده الگوی مارکوف مخفی پیوسته (CHMM) به دو گروه پیش ازحمله و میان حمله ای دسته بندی شده است. در انتها با روش پیشنهادی، دنباله شاخصه های مهار و تحریک سیگنال ثبت شده از یک کانال واقع در کانون صرع شش بیمار از پایگاه داده FSPEEG (که برای آن ها ثبت depth-EEG وجود دارد) استخراج شده است. کانون صرع این شش بیمار در هیپوکامپ و در بخش تمپورال قرار دارد. این سیگنال ها شامل 24 حمله و حدود 144 ساعت سیگنال میان حمله ای هستند. وقوع حمله صرعی در این بیماران در بدترین حالت ده دقیقه پیش از رخداد حمله صرعی پیش بینی شده است که برای انجام اقدامات درمانی مناسب است. میزان حساسیت و نرخ پیش گویی نادرست الگوریتم پیش گویی به طور میانگین به ترتیب برابر با 100% و 2/0 در ساعت است. در مقایسه با روش های پر محاسبه ای که برای رسیدن به دقت بالا به کانال های فراوانی نیاز دارند، پیش گویی مبتنی بر الگو با استفاده از یک کانال و به صورت کاملا برخط از ویژگی های این روش است.