پیش بینی تشنج صرعی از روی ویژگی های طیفی، زمانی و مکانی سیگنال های نوار مغزی با استفاده از الگوریتم های یادگیری عمیق

صرع یکی از شایع ترین اختلالات دستگاه عصبی است که به میزان زیادی زندگی بیماران را تحت تاثیر قرار می دهد. تشخیص زودهنگام حملات صرعی، تاثیر زیادی بر کیفیت زندگی بیماران خواهد گذاشت. در این پژوهش، یک معماری با ساختار شبکه عصبی عمیق برای یادگیری ویژگی های ارزشمند از سیگنال های نوار مغزی (EEG) به منظور تشخیص و همچنین پیش بینی تشنج های صرعی ارایه شده است.

مواد و روش ها: 

معماری ارایه شده متشکل از شبکه های عصبی پیچشی و حافظه طولانی کوتاه-مدت است و به نحوی طراحی شده است که  داده های مکانی، زمانی و طیفی سیگنال های EEG را به کار ببندد. علاوه بر این، شبکه طراحی شده بر روش های انتخاب صریح الکترودها تکیه ندارد. مدل ارایه شده روی مجموعه داده بیمارستان کودکان بوستون-موسسه فناوری ماساچوست (CHB-MIT) بکار بسته شده است. به منظور ارزیابی مدل، از رویکرد ارزیابی مختص بیمار (Patient-Specific) استفاده شده است.

یافته ها:

 حساسیت معماری در پیش بینی تشنج برابر با 7/9 ± 90/7،  نرخ پیش بینی اشتباه تشنج برابر با 0/12 در ساعت و میانگین مدت زمان پیش بینی تشنج تا وقوع تشنج برابر با 36/8 دقیقه به ‏دست آمد. همچنین مدل ارایه شده ناحیه کانون تشنج (در تشنج های کانونی) را نیز تخمین می زند.

نتیجه گیری:

 مدل ارایه شده به توانایی بالایی در پیش بینی تشنج دست یافت. همچنین با استفاده از قابلیت استخراج خودکار ویژگی ها در یادگیری عمیق، الگوی سیگنال ها دربازه پیش از تشنج با دقت مناسبی تعیین شدند. به ‏علاوه، مدل بوسیله تخمین ناحیه کانون تشنج، می تواند متخصصان اعصاب را در اقدامات درمانی مرتبط یاری نماید.