شناسايي تشنج صرعي بر پايه‌ي آمارگان نقشه تبديل موجك و روش‌ EMD براي آناليز طيفي هيلبرت - هوانگ در باند فركانسي گاما سيگنال‌هاي EEG

Epileptic Seizure Detection based on Wavelet Transform Statistics Map and EMD Method for Hilbert-Huang Spectral Analyzing in Gamma Frequency Band of EEG Signals

تشخيص بيماري تشنج با استفاده از آناليز سيگنال‌هاي مغزي (EEG) از جمله روش‌هاي كلينيكي كارآمد در درمان دارويي و تصميمات پيش از جراحي مغزي مي‌باشد. در اين مقاله، پس از آماده‌سازي سيگنال‌ها با استفاده از يك فيلترينگ مناسب، باند فركانسي گاما استخراج شده است و ساير ريتم‌هاي مغزي، مقادير نويز محيطي و سيگنال‌هاي حياتي ديگر حذف مي‌شوند. سپس، تبديل موجك سيگنال‌هاي مغزي و نقشه موزائيكي تبديل موجك در چند سطح محاسبه مي‌شود. با تقسيم مناسب نقشه‌ي رنگي به بخش‌بندي‌هاي مختلف، هيستوگرام هر زير- تصوير محاسبه شده و آمارگان آن بر پايه‌ي مقدار ممان‌هاي آماري و آنتروپي منفي محاسبه مي‌شود. بردار ويژگي آماري با استفاده از تحليل مولفه‌هاي اصلي (PCA) به يك بعد كاهش مي‌يابد. با استفاده از الگوريتم EMD و پروسه غربالگري در تحليل داده‌ها به وسيله‌ي توابع حالت ذاتي (IMF) و مقدار مانده‌ي سيگنال‌ها و با استفاده از طيف تبديل هيلبرت و تشكيل طيف هيلبرت – هوانگ يك ويژگي مكاني بر پايه‌ي فاصله اقليدسي براي طبقه‌بندي سيگنال‌هاي مغزي محاسبه مي‌شود. بوسيله‌ي طبقه‌بند K- نزديك‌ترين همسايه (KNN) و با در نظر گرفتن پارامتر همسايگي بهينه، سيگنال‌هاي مغزي به دو كلاس داراي تشنج و سيگنال‌هاي سالم با ميزان صحت 54/76% و واريانس خطاي 0/3685 در آزمايش‌هاي مختلف طبقه‌بندي مي‌شوند.

Seizure detection using brain signal (EEG) analysis is the important clinical methods in drug therapy and the decisions before brain surgery. In this paper, after signal conditioning using suitable filtering, the Gamma frequency band has been extracted and the other brain rhythms, ambient noises and the other bio-signal are canceled. Then, the wavelet transform of brain signal and the map of wavelet transform in multi levels are computed. By dividing the color map to different epochs, the histogram of each sub-image is obtained and the statistics of it based on statistical momentums and Negentropy values are calculated. Statistical feature vector using Principle Component Analysis (PCA) is reduced to one dimension. By EMD algorithm and sifting procedure for analyzing the data by Intrinsic Mode Function (IMF) and computing the residues of brain signal using spectrum of Hilbert transform and Hilbert – Huang spectrum forming, one spatial feature based on the Euclidian distance for signal classification is obtained. By K-Nearest Neighbor (KNN) classifier and by considering the optimal neighbor parameter, EEG signals are classified in two classes, seizure and non-seizure signal, with the rate of accuracy 76.54% and with variance of error 0.3685 in the different tests.