پيش‌گويي برخط و تك‌كاناله وقوع حمله‌هاي صرعي با ارائه الگوي توليد صرع بر روي سيگنال‌هاي depth-EEG با استفاده از فيلتر كالمن توسعه‌يافته

Online Single-Channel Seizure Prediction, Based on Seizure Genesis Model of Depth-EEG Signals Using Extended Kalman Filter

تاكنون براي پيش‌گويي وقوع حمله ­هاي صرعي تلاش‌هاي فراواني انجام‌شده‌ است و مؤثرترين اين روش‌ها نيز بر پايه چگونگي ايجاد حمله صرعي، هم‌ زماني بين كانال‌هاي متفاوت، ثبت فعاليت مغز را مورد توجه قرار داده­اند. اين روش‌ها، براي رسيدن به‌ دقت پيش‌گويي بالا، به تعداد زيادي از كانال‌هاي ثبت فعاليت مغز نياز دارند و به همين دليل در عمل مورداستفاده بيماران نخواهند‌بود. با توجه به اين نكته كه عامل ايجاد هم‌ زماني بين بخش‌هاي متفاوت مغز، ميزان فعاليت مهاري و تحريكي در نورون­هاست؛ انتظار مي­رود دقت پيش‌گويي وقوع حمله صرعي با توجه به ميزان مهار و تحريك در نورون ­هاي مغز بهبود يابد. در اين مقاله براي شبيه­ سازي توليد خود به­ خوديِ حمله صرعي، يك الگو فيزيولوژيك با يك الگو آماري فضاي حالت (SSM) تركيب شده‌است. شاخصه‌هاي الگوي فيزيولوژيك، ميزان فعاليت مهاري و تحريكي نورون ­ها و خروجي آن، سيگنال­هاي depth-EEG است. در اين الگو فيزيولوژيك، تغيير ميزان مهار و تحريك، به بروز رفتارهاي متفاوتي در سيگنال فعاليت مغز در خروجي الگو منجر مي­ شود. الگوي SSM براي شبيه­ سازي رفتار شاخصه‌هاي مهار و تحريك در الگو فيزيولوژيك استفاده شده است. با توجه به اين الگو و با استفاده از يك فيلتر كالمن توسعه ­يافته، مي­توان شاخصه‌هاي مهار و تحريك پنهان در سيگنال­ هاي مغزي نوفه‌اي را به‌صورت برخط استخراج كرد. با در دست داشتن دنباله شاخصه‌هاي مهار و تحريك (به‌جاي سيگنال ­هاي depth-EEG)، رفتار شاخصه‌ها با استفاده از يك طبقه‌ بندي‌ كننده الگوي ماركوف مخفي پيوسته (CHMM) به دو گروه پيش­ازحمله و ميان­ حمله­ اي دسته‌بندي‌شده است. در انتها با روش پيشنهادي، دنباله شاخصه‌هاي مهار و تحريك سيگنال ثبت­ شده از يك كانال واقع در كانون صرع شش بيمار از پايگاه داده FSPEEG (كه براي آن‌ها ثبت depth-EEG وجود دارد) استخراج‌شده است. كانون صرع اين شش بيمار در هيپوكامپ و در بخش تمپورال قرار دارد. اين سيگنال­ ها شامل 24 حمله و حدود 144 ساعت سيگنال ميان­ حمله ­اي هستند. وقوع حمله صرعي در اين بيماران در بدترين حالت ده دقيقه پيش از رخداد حمله صرعي پيش ­بيني شده است كه براي انجام اقدامات درماني مناسب است. ميزان حساسيت و نرخ پيش‌گويي نادرست الگوريتم پيش‌گويي به‌طور ميانگين به‌ترتيب برابر با 100% و 0/2 در ساعت است. در مقايسه با روش‌هاي پر‌ محاسبه‌اي كه براي رسيدن به ‌دقت بالا به كانال‌هاي فراواني نياز دارند، پيش‌گويي مبتني بر الگو با استفاده از يك كانال و به‌ صورت كاملاً برخط از ويژگي­ هاي اين روش است.

Many efforts have been done to predict epileptic seizures so far. It seems that some kind of abnormal synchronization among brain areas is responsible for the seizure generation. This is because the synchronization-based algorithms have been the most important methods so far. However, the huge number of EEG channels, which is the main requirement of these methods, make them very difficult to use in practice. In this paper, in order to improve the prediction algorithm, the factor underlying the abnormal brain synchronization, i.e., the imbalance of excitation/inhibition neuronal activity, is taken into account. Accordingly, to extract these hidden excitatory/inhibitory parameters from depth-EEG signals, a realistic physiological model is used. The Output of this model (as a function of model parameters) imitate the depth-EEG signals. On the other hand, based on this model, one can estimate the model parameters behind every real depth-EEG signal, using an identification process. In order to be able to track the temporal variation of the parameter sequences, the model parameters, themselvese, are supposed to behave as a stochastic process. This stochastic process, described by a Hidden Markov Model formerly (HMM) and worked by the current researchists, is now modified to a State Space Model (SSM). The advantage of SSM is that it can be described by some differential equations. By adding these SSM equations to the differential equations producing depth-EEG signals, Kalman filter can be used to identify the parameter sequences underlying signals. Then, these extracted inhibition/excitation sequences can be applied in order to predict seizures. By using the four model parametetrs relevant to excitation/inhibition neuronal activity, extracted from just one channel of depth-EEG signals, the proposed method reached the 100% sensitivity, and 0.2 FP/h, which is very similar to the multi-channel algorithms. The algorithm can be done in an online manner.