شناسايي ميكرو آمبولي مغزي در سيگنال داپلر از روي ويژگي هاي غيرخطي

Detection of cerebral micro emboli in Doppler Signal using nonlinear features

آمبولي، توده‌هاي مجتمع از گلبول هاي قرمز، چربي و يا حباب هاي گاز مي‌باشند كه آزادانه در سيستم گردش خون در جريان هستند و وجود آن ها نشانه ي خطر اسكيمي مي‌باشد. در بررسي جريان خون در زمان واقعي به روش داپلر ترانس كرانيال (TCD) با عبور ميكرو آمبولي جامد و يا گاز از منطقه ي تحت بررسي با داپلر، سيگنالي كوتاه مدت با دامنه ي زياد ايجاد مي‌گردد. در هنگام ثبت، عواملي مانند حركت پروب و يا سرفه، باعث ايجاد آرتيفكت با دامنه ي زياد در سيگنال داپلر مي‌شود كه شناسايي آن را از آمبولي را دشوار مي‌كند. صرف وقت زياد و همچنين احتمال خطاي فرد متخصص در تشخيص آمبولي از آرتيفكت، انگيزه ي اصلي طراحي سيستم هاي تشخيص خودكار مي‌باشد. پياده‌سازي اين‌گونه سيستم ها همواره با دو چالش عمده ي استخراج ويژگي هاي مناسب و طراحي دسته‌بند مطلوب روبرو مي باشد. در اين تحقيق هر دو موضوع مورد مطالعه قرار گرفت. در بخش ويژگي، ضرايب موجك، آنتروپي موجك، بُعد فركتالي و ويژگي Besov از سيگنال استخراج شد و به كمك تحليل آماري ويژگي هاي با بالاترين ميزان تفكيك معرفي شد. در بخش دسته‌بند، شيوه ي جديدي براي شناسايي آمبولي و تفكيك آن از آرتيفكت به وسيله مدل ماركف پنهان (HMM) ارايه شد و نتايج آن با نتايج دسته‌بند شبكه ي عصبي فازي تطبيقي (ANFIS) مقايسه شد. در مجموع با استفاده از ضرايب موجك و مدل ماركف پنهان طراحي شده، توانستيم به صحت 3/95% و وضوح 7/92% در شناسايي آمبولي برسيم.

An embolus is a blood clot, a fat globule or gas bubbles that may be freely circulating in bloodstream can stop the blood flow and lead to ischemia. In real time assessment of blood flow by Trans Cranial Doppler (TCD) method, travelling solid or gaseous micro emboli in the bloodstream by passing across the assessment area, causes a short time signal with high intensity. While TCD recording including movement of the probe, coughing, sneezing, and head rotation generate high intensity artifacts that make it difficult to make differentiate from embolus. Time consuming and also human mistakes in differentiating emboli from artifact are the main motivations of design of the automatic detection systems. Implementing such systems is nowadays faced with two main challengeous problems: extracting suitable features and designing the proper classifier. In this research, we studied two issues together. In feature extraction part, wavelet coeffiecient, wavelet entropy, fractal dimention and Besov property of signal is extracted, and using by statistical methods we introduced the feature with highest separability rate. In classifier part, a novel method based on hidden markov models for detecting emboli from artifact is proposed, and the results is compared with the results of Adaptive Neuro Fuzzy Inference System classifier. In total, using wavelet coefficients and hidden markov model, we achieved an accuracy rate of 95.3% and specificity of 92.7%.