پيش‌بيني حملات صرع با استفاده از پردازش سيگنال تغييرات نرخ ضربان قلب

Epileptic Seizure Prediction Using Heart Rate Variability Signal analysis

صرع يك ناهنجاري عصبي است كه به دليل طبيعت نامعلوم و ناگهاني آن باعث ناراحتي و رنج جدي در بيمار مي‌شود. در اين مطالعه يك روش جديد براي پيش‌بيني صرع از طريق آناليز تغييرات ضربان قلب (HRV) پيشنهاد مي‌شود. از آنجايي‌كه افزايش فعاليت عصبي نورون‌ها در دوره preictal بيماري صرع بر روي سيستم عصبي ارادي تاثير مي‌گذارد و سيستم عصبي ارادي نيز بر روي ضربان قلب تاثير مي‌گذارد مي‌توان نتيجه گرفت كه تشنج از طريق مانيتور كردن HRV قابل پيش‌بيني است. در روش پيشنهادي 12 ويژگي از سيگنال HRV در حوزه‌هاي زمان، فركانس، زمان- فركانس و غير خطي براي پيش‌بيني تشنج صرعي استخراج شده است. براي تشخيص ناهنجاري از الگوريتم كنترل فرآيند آماري چند متغيره (MSPC) استفاده شده است. الگوريتم ارائه شده بر روي پايگاه داده بومي متشكل از 17 بيمار ارزيابي شده است و نتايج به دست آمده نشان مي دهد كه روش پيشنهادي قادر است با دقت % 88.2 حملات صرع را پيش بيني كند. از نظر عملي با توجه به سهولت اخذ سيگنال HRV، الگوريتم پيشنهادي نسبت به الگوريتم‌هايي كه با استفاده از پردازش سيگنال‌هاي مغزي (EEG) به پيش بيني صرع مي پردازند، اميدواركننده‌تر است.

Epilepsy is a neural disorder with unknown nature and epileptic patients suffer from the consequences of unexpected seizures. In this paper, we proposed a new method to predict epileptic seizures using heart rate variability (HRV) signal analysis. During preictal period of epilepsy, increasing in nervous activities of neurons affects the autonomic nervous system that disturbs heart rates. Therefore, epileptic seizures can be predicted through HRV monitoring. In our method, we extracted 12 features of HRV signal from different domains: time, frequency, time-frequency and non-linear domain. We used Multivariate Statistical Process Control (MSPC) algorithm for anomaly detection which is able to detect anomalies that cannot be detected by monitoring each variable independently. This algorithm has been applied to the clinical data collected from 17 patients. The obtained results demonstrated that the proposed method can predict seizure onset with an accuracy of 88.2%. The proposed HRV-based seizure prediction algorithm is more promising than the conventional EEG-based methods from the viewpoint of practical use.