تشخيص تومور مغزي با استفاده از ويژگي هاي خطي و غيرخطي سيگنال هاي الكتروانسفالوگرام

Brain Tumor Detection Using Electroencephalogram Linear and Non-Linear Features

در پژوهش حاضر، سيگنال هاي الكتروانسفالوگرام بيماران مبتلا به تومور مغزي و افراد سالم را براي مطالعه تغييرات ناشي از بروز تومور مغزي در سيگنال هاي مغزي و در‌نهايت امكان سنجي تشخيص اين بيماري توسط سيگنال هاي EEG، بررسي كرده‌ايم. براي اين منظور از داده‌هاي EEG ثبت شده از چهار كانال F3، F4، T3 و T4 براي پنج فرد مبتلا به تومور مغزي و چهار فرد سالم، استفاده شده است. پس از پيش‌‌پردازش، ويژگي هاي خطي زماني و طيف فركانسي و ويژگي هاي غيرخطي بُعد فركتال و آنتروپي، استخراج شد. سپس تمايزپذيري ميان دو گروه، با استفاده از انديس ديويس-بولدين، طبقه‌بندي خطي LDA، غيرخطي KNN و SVM بررسي شد. بر‌اساس مقادير به‌دست‌آمده براي انديس ديويس-بولدين در وضعيت استراحت ذهني چشم بسته، ويژگي هاي RMS، توان مطلق باند تتا، آنتروپي نمونه و آنتروپي تقريبي و در وضعيت استراحت ذهني چشم باز، ويژگي هاي RMS و توان مطلق باند تتا، بيشترين تمايزپذيري را ميان دو گروه سالم و بيمار نشان دادند. در اين مرحله، طبقه بندي دو گروه سالم و بيمار با استفاده از تك ويژگي ها انجام شد، كه بهترين صحت طبقه بندي مربوط به ويژگي RMS در حالت استراحت ذهني چشم بسته و 88.89% به‌دست آمد. اين موضوع نشان دهنده اين است كه ويژگي خطي RMS در افراد سالم و مبتلايان به تومور مغزي، تمايز خوبي ايجاد مي كند. در پايان نيز براي دو حالت استراحت ذهني چشم بسته و چشم باز و با استفاده از تمامي ويژگي هاي منتخب، طبقه‌بندي انجام شد. با توجه به نتايج، بيشترين صحت طبقه بندي 82.54% با استفاده از ويژگي هاي برتر RMS، توان مطلق باند تتا، آنتروپي نمونه و آنتروپي تقريبي در حالت استراحت ذهني چشم بسته، به‌دست آمد. با توجه به نتايج مشاهده مي شود كه ويژگي هاي خطي، قابليت خوبي براي جداسازي سيگنال هاي EEG افراد سالم و بيماران مبتلا به تومور مغزي دارند، كه مي‌توان از آنها، به‌دليل سادگي و بار محاسباتي كم، براي تشخيص برخط بيماري تومور مغزي، به‌خصوص در آزمون هاي دوره اي غربالگري، استفاده كرد.

In this research, we analyzed the EEG signals of patients with brain tumor and healthy participants in order to study the effects of brain tumor on brain signals and also the feasibility of brain tumor detection using EEG signals. For this reason, EEG signals of four channel F3, F4, T3 and T4 from 5 patients with brain tumor and 4 healthy participants were recorded. After preprocessing, linear features in time and frequency domains and nonlinear ones such as fractal dimensions and entropies were extracted. Afterwards, the differentiation between2 groups was analyzed using Davies-Bouldin Index, LDA, KNN and SVM classifiers. According to the results of Davies-Bouldin Index, RMS, Theta Absolute Power, Approximate Entropy and Sample Entropy features in resting state with eyes closed and RMS and Theta Absolute Power features in resting state with eyes opened, had the most distinction between the two groups. In this stage classification of two groups using single features was done and the most accuracy of 88.89% was obtained for RMS feature in resting state with eyes closed. At the end, classification of two groups using all selected features was conducted and the maximum accuracy of 82.54% was obtained for RMS, Theta Absolute Power, Approximate Entropy and Sample Entropy features in resting state with eyes closed. According to the results, EEG linear features have a good capability of detecting brain tumor. As these features are simple and have low computational complexity, they can be used in online applications especially for periodic screening tests.