تحليل اتصالات مغزي براي پيش بيني وقوع حملات تشنج صرعي با استفاده از سيگنال هاي الكتروانسفالوگرافي

Analysis of Brain Connectivity for Epileptic Seizure Prediction using EEG Signals

قرارگرفتن در وضعيت‌هاي مختلف ادراكي، شناختي و احساسي با نوعي انتشار اطلاعات از طريق نوسانات نورون هاي مغزي همراه است. بررسي اين نوسانات و به طور مشخص ارتباطات و تعاملات ميان بخش هاي مختلف مغز، مي تواند اطلاعات مفيدي درباره ي نحوه ي واكنش مغز در برابر وضعيت هاي مختلف بدست دهد. در ادبيات موضوع، ارتباطات بين نواحي مختلف مغز به سه دسته ي ساختاري، موثر، و كاركردي تقسيم بندي مي شوند كه دسته ي اول به ارتباط بين نورون هاي نواحي مجاور مي پردازد، در حالي كه دسته ي دوم و سوم بر همساني زماني بين نوسانات بخش هاي نه لزوما مجاور متمركز هستند. اگرچه سيگنال هاي EEG به دليل دقت مكاني نسبتا پايين مناسب ترين معيار براي سنجش ارتباطات كاركردي و موثر بين بخش هاي مختلف مغز نيستند، اما بررسي آماري اين سيگنال ها مي تواند در تشخيص هم زماني بين نوسانات نواحي مختلف مغز كمك قابل توجهي نمايد. در اين مقاله، چارچوبي نوين براي پيش بيني وقوع تشنج با استفاده از سيگنال هاي EEG ارائه مي گردد كه از معيار عليت گرنجر در حوزه ي فركانس براي اندازه گيري ميزان هم زماني نوسانات سيگنال هاي EEG در مدت‌زمان‌هاي Inter-ictal و Pre-ictal استفاده مي نمايد. در ادامه، با بكارگيري يك طبقه‌بند Logistic Regression با عبارت تنظيم‌كننده درجه اول اقدام به تفكيك نمونه‌هاي استخراج‌شده از اين دو بازه‌ي زماني از يكديگر مي‌شود. در گام آخر، با در نظر گرفتن بازه هاي زماني متوالي، در صورتي كه به تعداد مشخصي بازه مربوط به Pre-ictal شناخته شوند، اعلام وقوع تشنج مي گردد. شبيه‌سازي‌هاي انجام‌شده روي مجموعه داده ي CHB-MIT به ازاي افق پيش‌بيني 10 دقيقه به نرخ حساسيت %95.03 و نرخ پيش‌بيني نادرست 0.14 بر ساعت منتج شده است كه نشان‌دهنده‌ي عملكرد قابل‌قبول روش پيشنهادي در مقايسه با بهترين نتايج گزارش‌شده در ساير مقالات مي‌باشد.

Different perceptual, cognitive, and emotional situations results in a kind of information flow in the brain by means of coordinated neuronal oscillations. Analysing these oscillations, especially synchronizations of different brain regions, can illustrate the brains response in the aforementioned situations. In the literature, connectivity between brain regions is divided into the three groups of structural, effective, and functional, s.t. the first one refers to the connectivity between nearby regions, while the second and third ones focus on the synchronization of oscillations of arbitrary located regions. Although EEG is not the best choice for analyzing functional and effective connectivity between brain regions due to its relatively poor spatial resolution, extracting its statistical features may be helpful in the analysis of synchronization of brain oscillations. In this paper, a novel framework for the prediction of seizure occurrence using EEG signals is proposed which utilizes the Granger causality approach in frequency domain to measure synchronization of EEG signals in the Inter-ictal and Pre-ictal time periods. Afterwards, a Logistic Regression classifier with Lasso regularization is used to discriminate the samples extracted from these two periods. At last, if a predefined number of consecutive samples are labled as Pre-ictals, a seizure occurrence alarm is issued. Experimental simulations on the CHB-MIT dataset resulted in 95.03% sensitivity and 0.14/hour false prediction rate, for 10min prediction horizon, which demonstrates effectiveness of our proposed method compared to the state-of-the-arts.