تحليل داده‌هاي الكتروانسفالوگرام حين استراحت در بيماران مبتلا به تومور مغزي

Analysis of Electroencephalogram Data during Rest in Patients with Brain Tumor

اهداف: آزمايش الكتروانسفالوگرام (eeg) به عنوان يك آزمايش باليني مهم براي تشخيص بسياري از بيماري هاي مغزي مطرح است. هدف مطالعه حاضر، تحليل داده هاي الكتروانسفالوگرام حين استراحت در بيماران مبتلا به تومور مغزي بود.مواد و روش ها: در مطالعه تحليلي مشاهده اي حاضر، از داده هاي eeg حين استراحت 44 فرد مبتلا به تومور مغزي (گروه تومورال) و 31 فرد سالم (گروه سالم) استفاده شد. پس از پيش پردازش و حذف آرتيفكت هاي موجود در سيگنال ها، ويژگي هاي خطي زماني و طيفي توان نسبي باندهاي متفاوت فركانسي، ويژگي هاي غيرخطي بعد فركتال و آنتروپي استخراج شد. سپس تمايزپذيري ميان دو گروه سالم و تومورال بر مبناي ويژگي هاي استخراج شده، با استفاده از روش آماري شاخص ديويسبولدين، طبقه بندي خطي (lda) و طبقه بندي غيرخطي k نزديك ترين همسايه (knn) مورد بررسي قرار گرفت.يافته ها: ميان ويژگي هاي بعد فركتال كتز و طول شكل موج دو گروه سالم و تومورال، تفاوت معني داري وجود نداشت. در ميان ساير ويژگي ها، آنتروپي نمونه با كاهش معني دار در گروه تومورال، بيشترين تمايز را ميان دو گروه ايجاد كرد (مقدار 0.69 براي گروه سالم در مقابل 0.53 براي گروه بيمار). بالاترين صحت طبقه بندي دو گروه، با استفاده از آنتروپي نمونه و طبقه بند knn برابر با 84% بود.نتيجه گيري: سيگنال هاي eeg، پتانسيل جداسازي بيماران تومورال مغزي و افراد سالم را دارند. ويژگي غيرخطي آنتروپي با تطبيق بيشتر بر ماهيت غيرخطي مغز، صحت بالاتري در بازنمايي گروه تومورال نشان مي دهد. آنتروپي كمتر گروه تومورال نشان دهنده پيچيدگي كمتر در پردازش هاي مغزي اين گروه نسبت به افراد سالم است.

Aims Electroencephalogram (EEG) is an important clinical test for the diagnosis of many brain diseases. The aim of this study was the analysis of electroencephalogram data during rest in patients with brain tumor. Materials & Methods In the present analytic observational study, EEG data of 44 patients with brain tumor (tumoral group) and 31 healthy subjects (healthy group) during rest were used. After preprocessing, the linear temporal features, linear spectral features of different frequency bands, and non-linear features of fractal dimension and entropy were extracted. Then, the distinction between healthy and tumoral groups based on extracted features was investigated, using the Davis-Bouldin statistic method, linear discriminant analysis (LDA) and nonlinear K-Nearest Neighbor (KNN) classification. Findings There was no significant difference between the the fractal kutz dimension and the waveform length of the two healthy and tumoral groups. Among other features, the sample entropy with a significant reduction in the tumoral group made the most distinction between the two groups (0.69 for the healthy group and 0.53 for the tumoral group). The highest classification accuracy of the two groups was 84%, using the sample entropy and KNN classification. Conclusion EEG signals have the potential to distinct the patients with brain tumor and healthy subjects. Nonlinear entropy features with more adaptation to the nonlinear nature of the brain shows a higher accuracy in the representation of the tumoral group. The less entropy of the tumoral group indicates less complexity in the brain processing of this group than the healthy group.