تشخیص صرع از روی سیگنالهای EEG با استفاده از تبدیل موجک گسسته آنتروپی تقریبی و انرژی سیگنال با کالسبند SVM و Bayes

Transcript

1 تشخیص صرع از روی سیگنالهای EEG با استفاده از تبدیل موجک گسسته آنتروپی تقریبی و انرژی سیگنال با کالسبند SVM و Bayes مصطفی زارعی میرحسین دزفولیان آزمایشگاه پردازش سیگنال و سیستمهای هوشمند گروه مهندسی کامپیوتر دانشگاه بوعلی سینا همدان چكیده در این مقاله روشی جدید به منظور تشخیص خودکار بیماری صرع از روی سیگنالهای الكتروانسفالوگرافی )EEG( ارائه میشود. در این روش سیگنالهای EEG با استفاده از آنتروپی تقریبی انرژی سیگنال و تبدیل موجکک گسسکته تجزیکه و تلییکل مکیشکوند. تشخیص بیماری صرع در دو مرحیه صورت میگیرد. در مرحیه اول سیگنالهای EEG با استفاده از تبدیل موجک گسسکته بکه پکن سطح تجزیه میشوند. در مرحیه دوم مقادیر آنتروپیتقریبی و میانگین انرژی سیگنال در زیرباندهای سطوح دوم تا پنجم استخراج میشوند. اختالف قابل توجهی بین مقادیر آنتروپی تقریبی و میانگین انرژی در سیگنال EEG نرمال و صرعی در سطوح دوم تا پنجم تجزیه به وسییه تبدیل موجک گسسته وجود دارد. نتای در نهایت سیگنالهای EEG نرمال و صرعی با استفاده از کالسبندهای )طبقهبندی کننده( SVM و Bayes طبقهبنکدی شکده و روش پیشنهادی مورد ارزیابی قرار گرفته و با نتای دقت 0 درصد طبقهبندی میکند. کیمات کییدی سایر روشها مقایسه میشوند. این روش سیگنالهای صرعی و نرمال را با صرع الكتروانسفالوگرافی تبدیل موجک گسسته آنتروپی تقریبی انرژی فرکانسی کالسبند SVM کالسبند Bayes 0- مقدمه تقریبا یک درصد از مردم جهان از بیماری صرع رنج میبرندد مهمتدرین عالمت بیماری صرع تشنجهایی است که میتواند در طول زندگی عدادی هدر )EEG( فرد رخ دهد بررسی بیماری صرع از طریق انجام الکتروانسفالوگرافی امکانپذیر است متخصصین مغز و اعصاب بدا بررسدی بصدری سدیگنالهای EEG میتوانند بیماری صرع را تشخیص دهند اما به علت پیچیددگی امدوا مغزی و سختی تشخیص بصری نوار مغزی از سال 79 تدا کندون مقققدان روشهای بسیاری را برای تشخیص این بیماری ارائده دادهاندد در سدالهای اخیر نیز اهمیت بیماری صرع و نقش تعیینکننده آن در مرحله تشخیص باعث شده است کده روشهدای متعددد تشدخیص خودکدار بیمداری صدرع از روی سیگنالهای EEG بیش از پیش مورد بررسی قرار گیرند در سال Nga و Groupe با استفاده از فیلتر پدیشپدردازش و فرکدان غیرخطی چندمرحلهای و استخرا دو ویژگی دامنه قلههای نسبی 3 روشی را برای تشخیص خودکار صرع با طبقدهبنددیکنندده شدبکه وقوع قله عصبی ارائده دادندد [] در سدال Srnvvasan و همکدارانش [] روش تشخیص صرع بر پایه شبکههای عصبی را بهبود دادند و از ویژگیهای سیگنال در حوزه زمان و فرکان برای این تشخیص استفاده کردند در همین سال Kannathal و همکارانش [3] برای تشخیص صرع ویژگی آنتروپی را در سیگنالهای EEG بدهکار بردندد در سدال 9 Palat و [4] Gunes دستهبندی بیماری صرع را بر پایه درخت تصمیم و تبدیل فوریه سدری انجدام دادند در همدین سدال [5] Subas دسدتهبندی سدیگنالهای EEG را بدا استفاده از ویژگیهای استخرا شده از تبدیل موجک و مدلهای سیستمهای خبدره انجدام داد. در سدال Guo و همکدارانش [7] یدک سیسدتم تشدخیص صدرع بدا اسدتفاده از تبددیالق موجدک و تقری هدای آنتروپدی و شبکههای عصبی ارائه کرد در سدال Ncolaou [8] بدا اسدتفاده از آنتروپدی جایگشدت و ماشدین بدردار پشدتیبان روشدی را بدرای طبقهبنددی سیگنالهای EEG ارائه کدرد در همدین سدال Kuar و همکدارانش [9] تشخیص بیماری صرع را با استفاده از تبدیل موجک گسسته آنتروپی تقریبی 6 و ماشین بردار پشتیبان انجام دادند در این مقاله ابتدا سیگنالهای EEG با استفاده از تبدیل موجک گسسته به پنج سطح تجزیه میشوند و سپ با استفاده از این زیرباندها ویژگیهدای 79

2 آنتروپی تقریبی و انرژی سیگنال استخرا شده و در نهایت دو کالسبند SVM و Bayes طبقهبندی میشوند - روشها و انتخاب دادهها 0-- انتخاب دادهها دادهها با استفاده از دادههای EEG استفاده شده در ایدن مقالده از دانشدگاه بدن آلمدان [] گرفته شدهاند این دادهها شامل پنج مجموعه از A تا E هستند که هر کددام شامل عدد سیگنال به طول 3/7 ثانیه است که در جددول )( نشدان داده شدهاند این دادهها به صورق تککاناله هستند مجموعده اول و دوم )A B( از پنج نفر انسان سالم با استفاده از شیوه الکترودگذاری اسدتاندارد - جم آوری شدهاند این افراد در حالت کامال هوشیار و با چشدمان بداز و بسدته قرار گرفتهاند سه مجموعه آخر )C D و E( نیز از پنج بیمدار صدرعی گرفتده شدهاند در کل این دادهها شامل سه دسته مختلف حالت طبیعی بیمار مرحله قبل از تشنج )صرع جزئی( و تشنج )صرع عمومی( هستند همه سدیگنالهای EEG با سیستم کاناله و نرخ نمونهبرداری 93/6 هرتدز و بده کمدک مبدل آنالوگ به دیجیتال بیتی گرفته شدهاند مجموعههای A و B کالس نرمال C و D کالس صرع جزئی و E کالس صرع عمومی )همراه با تشدنج( هستند در شکل )( نمونهای از پنج کالس مورد نظر نشان داده شده است -- تبدیل موجک گسسته (DWT) با استفاده از تبدیالق موجک همانند شکل )( سیگنال بده پدنج زیرباندد تقسیم میشود زیرباندهای ایجاد شده دارای اطالعاق دقیقتدری نسدبت بده سیگنال اصلی هستند و این امر باعث به دسدت آوردن تقلیدل دقیدقتدری از سیگنال EEG میشود تبدیالق موجک روشی انعطدا پدذیرتر از اطالعداق زمان-فرکان از سیگنال را با استفاده از طول پنجره متفاوق به ما میدهدد پنجرههای زمانی بزرگ اطالعاق فرکان پایین و پنجرههای زمانی کوچدک اطالعاق را در فرکان های باال که تغییراق در آنها بیشتر است میدهند تبدیالق موجک برای تجزیه و تقلیل الگوهدای دادهای ندامنظم بسدیار )CWT( 9 یک سدیگنال x(t) از انتگدرال مفید هستند تبدیل موجک پیوسته سیگنال در تاب موجک ψ با پارامترهای جابجایی )b( و مقیداس )a( متفداوق ایجاد میشود: که a و b به ترتی پارامترهای مقیاس و جابجایی هستند به خاطر اینکه مقاسبه ضرای موجک به ازای تمام مقادیر پارامترهای a و b وقدتگیدر و از نظر مقاسباتی پرهزینه است به همین دلیل برای این دو پارامتر از توانهای استفاده میکنیم بر این اساس تبددیل موجدک گسسدته بده صدورق زیدر بهدست میآید [7,5] jk t DWT ( j, k) x( t) ( ) dt )( j j 3-- آنتروپی تقریبی (ApEn) آنتروپی تقریبی معیاری خوب از قابلیت پیشبینی و نظم و ترتی در یک سری زمانی را بیان میکند [9,3],8 با فرض اینکه y یدک سدری زمدانی است که,=, N و با توجده بده پارامترهدای τ و r کده بده ترتید پارامترهای ب عد تاخیر زمانی و تلوران نامیده مدیشدوند بدا در نظدر گدرفتن مراحل زیر آنتروپی تقریبی برای هر سیگنال بهدست میآید: - ابتدا x را به صورق زیر تعریف میشود: x { y, y, y,..., y } )3( ( ) N ( ) C () r - برای هر مقدار مقدار r را ضریبی از انقرا معیار در نظر میگیرند: در نظر گرفته میشود که به طور معمول C ( r) r d ( x( ), x( j) ) N ( ) ( ) )( j x 0 ( x) )( 0 otherwse (r ( برای سیگنال به دست میآید: ( r) log C ( r) N ( ) 3- تاب N( ) )6( - در نهایت برای مقادیر ثابت پارامترهای τ و r مقادیر ApEn به دست میآیند که در شکل )3( برای دو مجموعه A و E مشخص شدهاند: ApEn(, r,, N) ( r) ( r) )9( t b CWT ( a, b) x( t) ( ) dt )( a a جدول )0( : خالصهای از دادههای به دست آمده از دانشگاه بن آلمان مجموعه E مجموعه D مجموعه C مجموعه B مجموعه A موضوع وضعیت بیمار هوشیار با چشمان باز هوشیار با چشمان بسته صرع جزئی )بدون تشنج( صرع جزئی )بدون تشنج( صرع عمومی )با تشنج( تعداد نمونه 3/6 3/6 3/6 3/6 3/6 طول نمونه 730

3 شكل )0(: نمونههایی از سیگنال EEG از پن مجموعه داده )A D C B و E( شكل )(: تجزیه سیگنال EEG به پن سطح با استفاده از تبدیل موجک گسسته 4-- انرژی سیگنال با توجه به این که سیگنال با استفاده از تبدیالق موجک به پدنج زیرباندد تقسیم شده است در این قسمت مقدار میانگین انرژی سدیگنال بده ازای هدر زیرباند به دست میآید همانطور کده در شدکل )( نشدان داده شدده اسدت میانگین انرژی سیگنال میتواند به عنوان یک ویژگی مفید بدرای طبقهبنددی سیگنالهای EEG در نظر گرفته شود 3- روش ارائه شده ابتدا دادههای EEG با استفاده از تبددیل موجدک گسسدته بده چنددین سیگنال زیرباند با سطح پیشپردازش میشوند سدپ دو ویژگدی آنتروپدی تقریبی و انرژی سیگنال از زیر باندهای D تاD5 وA5 بدست میآیدد در ادامه بردار ویژگی بده طدول بدرای هدر سدیگنال بده عندوان ورودی بده طبقهبندیکننده تقویل داده میشود شكل )3( : آنتروپی سیگنالهای EEG نمونه های A و E از زیر باند D 73

4 0-3- ماشین بردار پشتیبان )SVM( اگر دو کالس مثبت و منفی داشته باشدیم SVM در واقد بدرای یدک ابرصفقه بهینه یک تاب f(x) را مشخص میکند که ایدن تداب همدان مدرز تصمیمگیری برای دو کالس را تعیین میکند در SVM سعی مدیشدود کده فاصله بین صفقه جداکننده از نمونههای مثبت برابر با فاصله آن از نمونههای منفی شود و در واق هد اصلی این است که بیشترین فاصدله از نموندههای خط جداکننده ایجاد شود در شکل )( این مسئله مشخص شده است در SVM دادهها به دو صورق خطی و غیرخطی تفکیک میشوند برای دادههای جداپذیر به صورق خطی تاب جداکننده به صورق زیدر نمدایش داده میشود: g( x) sgn( w. ( x) b) )( که دو کالس مثبت و منفی را مشخص میکند w بردار عمود بر صفقه b فاصله بین نمونههای نزدیک و صفقه جداکننده و x بردار ویژگی میباشد در صورق استفاده از تواب کرنل تاب تصمیمگیری یک SVM بدر پایده کرنل به شکل زیر تبدیل میگردد: g ( x NS ) sgn ( y k ( x, x ) b ) )7( کده در آن N d x R ابعداد ویژگدیهدا N تعدداد d,= و, نمونههای آموزشی مربوط به دو کالس, y و ضریبی است که از حل مسائل بهینهسازی به دست میآید متداولترین کرنلها در SVM عبارتند از کرنل خطی کرنل چندجملهای کرنل RBF و کرنل سیگموئید در این مقاله برای طبقهبندی دادهها از SVM با کرنل RBF استفاده شده است اگر و تعریف میشود: ' x x دو بردار ویژگی از دو نمونه باشند تاب کرنل به صورق زیر ' x x ' k( x, x ) exp( ) )0( که به عنوان یک پارامتر آزاد میباشد که همان انقرا معیار است --3 بیز معمولی Bayes( )Naïve کالسیند بیز یک طبقهبندیکننده ساده بر مبنای احتمداالق اسدت کده فرضیاق استقالل را بر تئوری بیز اعمال میکند فرض میکنیم که C متغیدر تصادفی نشاندهندۀ کدالس هدر نمونده و X بدرداری از متغیرهدای تصدادفی نشانگر مقدار ویژگیهای هر نمونه باشد همچندین c برچسد یدک کدالس خاص و x یک نمونۀ خاص باشد اگر یک مورد تست مانند x برای دستهبندی وجود داشدته باشدد احتمدال تعلق آن به هر کالس از رابطۀ زیر میتواند به دست آید: p( C c). p( X x C c) p( C c X x) )( p( X x) سپ کالسی که p(c X) برای آن بیشدتر از همدۀ کالسهدا شدد بده عنوان کالس آن نمونه تست تعیین میشود با توجه به اینکه هر نمونده یدک ترکی عطفی بین مقادیر ویژگیها است و به خاطر فدرض اسدتقالل شدرطی ویژگیها رابطه زیر میتواند بهدست آید: p( X x C c) p( X x C c) )( اکنون مسئله این است که احتمال C=c) p(x=x چگونه باید مقاسدبه شود یک فرض استاندارد این است که داخل هر کدالس مقددار ویژگیهدای عددی دارای توزی نرمال هسدتند بدرای ویژگیهدای پیوسدته میتدوان تداب چگالی احتمال را برای یک توزی نرمال به شکل زیر نوشت: ( x ) g( x;, ) e )3( در این مقاله از طبقهبنددیکنندده بیدز بدرای تفکیدک دادههدای EEG استفاده شده است نتای 4- X() b b b همانطور که در شکلهای )3( و )( مشخص است ویژگیهای آنتروپی و میانگین انرژی بهدست آمده از سیگنال EEG ویژگیهای جداکننده خوبی برای سیگنالهای EEG نرمال و غیرنرمال هستند در جدول )3( میزان دقت روش پیشنهادی را با توجه به دادههای جدول )( در مقایسه با سایر روشهدا مشخص شده است که در اکثر موارد دقت باالیی دارد [6,],,4 5- نتیجهگیری شكل )4(: انرژی سیگنالهای EEG نمونه های A و E از زیر باند D X() شكل )5( : نلوه ایجاد مرز جداکننده در SVM در این مقاله با استفاده از تجزیه سیگنال EEG به سطح و همچندین به دست آوردن ویژگیهای آنتروپی تقریبی و انرژی سیگنال از زیدر بانددهای D تداD5 وA5 )بده دسدت آمدده از تبددیل موجدک گسسدته( توانسدتیم سیگنالهای نرمال را از غیرنرمال با دقت درصد تفکیک نماییم نتایج به 73

5 دست آمده بر روی دادههای استاندارد موجود در این مقاله میباشند کده ایدن دادهها به صورق تککاناله میباشند مجموعه داده شماره مجموعه داده شماره مجموعه داده شماره 3 مجموعه داده شماره مجموعه داده شماره مجموعه داده شماره 6 مجموعه A در برابر مجموعه E مجموعه B در برابر مجموعه E مجموعه C در برابر مجموعه E مجموعه D در برابر مجموعه E مجموعه A,B,C در برابر مجموعه E مجموعه A,B,C,D در برابر مجموعه E این الگوریتم بر روی دادههای واقعی که از بیماران گرفته میشدود و بده صورق کاناله یا بیشدتر اسدت و در درمدانهدای کلینیکدی بدرای سدرعت بخشیدن به تشخیص بیماری صرع میتوان از آن استفاده کرد مراجع [] Nga, V., Graupe, D., A neural-network-based detecton of eplepsy. Neurol. Res. Vol. 6, No., pp , 004. [] Srnvasan, V., Eswaran, C., Srraa, N., Artfcal neural network based epleptc detecton usng te-doan and frequency-doan features, Journal of Medcal Systes, Vol. 9, No. 6, pp , 005. [3] Kannathal, N., Choo, M.L., Acharya, U.R., Sadasvan, P.K., Entropes for detecton of eplepsy n EEG, Coputer Methods and Progras n Boedcne, Vol. 80, No. 3, pp , 005.Ncolaou, N., Georgou, J., Detecton of epleptc electroencephalogra based on perutaton entropy and support vector achne, Expert Systes wth Applcatons, Vol. 39, No., pp. 0 09, 0. جدول )( : دستهبندی پایگاهدادهها [4] Polat, K., Günes, S., Classfcaton of epleptc for EEG usng a hybrd syste based on decson tree classfer and fast Fourer transfor, Appled Matheatcs and Coputaton, Vol. 87, No., pp , 007. میزان دقت )%( روشها پژوهشگران سال مجموعه دادهها فیلترهای پیشپردازش غیر خطی شبکه عصبی 79 / A-E Nga and Graupe ویژگیهای حوزه زمان- فرکان شبکه عصبی 77 6/ A-E Srnvasan et al. معیارهای آنتروپی سیستم استنتا فازی 7 / A-E Kannathal et al. تبدیل فوریه سری درخت تصمیم 79 9/ A-E 9 Polat and Gunes تبدیل موجک گسسته و ترکیبی از مدلهای خبره 75 A-E 9 Subas 0 A-E 79 /93 ABCD-E تقلیل زمان- فرکانسی و شبکه عصبی مصنوعی 9 Tzallas et al 77 95/ A-E تبدیالق موجک چندگانه ویژگی آنتروپی تقریبی شبکه عصبی پرسپترون چند الیه Lng Guo et al. 73 /55 A-E 9 /99 B-E 99 C-E 97 /74 D-E 0 A - E 7 /5 B - E 0 C - E 75 D - E 74 BCD - E 74 ABCD - E 0 A - E 75 B - E 79 C - E 79 /66 D - E 79 / BCD - E 75 /5 ABCD-E 0 A - E 79 /66 B - E 79 C-E 79 /66 D-E 75 BCD-E 79 /66 ABCD-E Ncoletta Ncolaou روش آنتروپی جایگشت و ماشین بردار پشتیبان al. Yatndra Kuar et تبدیل موجک گسسته آنتروپی تقریبی شبکه عصبی ماشین بردار پشتیبان روش ارائه شده 04 روش ارائه شده 04 تبدیل موجک گسسته ویژگی میانگین انرژی فرکانسی سیگنال آنتروپی سیگنال بیز جدول 3- مقایسه روش پیشنهادی با روشهای قبلی تبدیل موجک گسسته ویژگی میانگین انرژی فرکانسی سیگنال آنتروپی سیگنال ماشین بردار پشتیبان 733

6 [5] Subas, A., EEG sgnal classfcaton usng wavelet feature extracton and a xture of expert odel, Expert Systes wth Applcatons, Vol. 3, No. 4, pp , 007. [6] Tzallas, A., Tspouras, M., Fotads, D., Autoatc sezure detecton based on te frequency analyss and artfcal neural networks, Coputatonal Intellgence and Neuroscence, 007. [7] Guo, L., Rveero, D., Pazaos, A., Epleptc sezure detecton usng ultwavelet transfor based approxate entropy and artfcal neural networks, Journal of Neuroscence Methods, Vol. 93, No., pp , 00. [8] Ncolaou, N., Georgou, J., Detecton of epleptc electroencephalogra based on perutaton entropy and support vector achne, Expert Systes wth Applcatons, Vol. 39, No., pp. 0 09, 0. [9] Kuar, Y., Dewal, M. L., & Anand, R. S., Epleptc sezures detecton n EEG usng DWT-based ApEn and artfcal neural network, Sgnal, Iage and Vdeo Processng, Vol. 8, No. 7, pp , 0. آخرنویسها Electroencephalography Relatve Spke Apltude Spke Occurrence Frequency Dscrete Wavelet Transfor Approxate Entropy Support Vector Machne Contnuous Wavelet Transfor 734