fa پیش‌گویی برخط و تک‌کاناله وقوع حمله‌های صرعی با ارائه الگوی تولید صرع بر روی سیگنال‌های depth-EEG با استفاده از فیلتر کالمن توسعه‌یافته مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research <p dir="RTL"><span style="color:black;"><span style="font-family:b nazanin;">تاکنون برای پیش‌گویی وقوع حمله&shy;های صرعی تلاش‌های فراوانی انجام‌شده‌است و مؤثرترین این روش‌ها نیز بر پایه چگونگی ایجاد حمله صرعی، هم‌زمانی بین کانال‌های متفاوت، ثبت فعالیت مغز را موردتوجه قرار داده&shy;اند. این روش‌ها، برای رسیدن به‌ دقت پیش‌گویی بالا، به تعداد زیادی از کانال‌های ثبت فعالیت مغز نیاز دارند و به همین دلیل در عمل مورداستفاده بیماران نخواهند‌بود. با توجه به این نکته که عامل ایجاد هم‌زمانی بین بخش‌های متفاوت مغز، میزان فعالیت مهاری و تحریکی در نورون&shy;هاست؛ انتظار می&shy;رود دقت پیش‌گویی وقوع حمله صرعی با توجه به میزان مهار و تحریک در نورون&shy;های مغز بهبود یابد. در این مقاله برای شبیه&shy;سازی تولید خودبه&shy;خودیِ حمله صرعی، یک الگو فیزیولوژیک با یک الگو آماری فضای حالت (</span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">SSM</span></span></span><span style="color:black;"><span style="font-family:b nazanin;">)</span></span> <span style="color:black;"><span style="font-family:b nazanin;">ترکیب شده‌است. شاخصه‌های الگوی فیزیولوژیک، میزان فعالیت مهاری و تحریکی نورون&shy;ها و خروجی آن، سیگنال&shy;های </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">depth-EEG</span></span></span> <span style="color:black;"><span style="font-family:b nazanin;">است. در این الگو فیزیولوژیک</span></span><span style="color:black;"><span style="font-family:b nazanin;">،</span></span><span style="color:black;"><span style="font-family:b nazanin;"> تغییر میزان مهار و تحریک، به بروز رفتارهای متفاوتی در سیگنال فعالیت مغز در خروجی الگو منجر می&shy;شود. الگوی </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">SSM</span></span></span><span style="color:black;"><span style="font-family:b nazanin;"> برای شبیه&shy;سازی رفتار شاخصه‌های مهار و تحریک در الگو فیزیولوژیک استفاده شده است. با توجه به این الگو و با استفاده از یک فیلتر کالمن توسعه&shy;یافته، می&shy;توان شاخصه‌های مهار و تحریک پنهان در سیگنال&shy;های مغزی نوفه‌ای را به‌صورت برخط استخراج کرد. با در دست داشتن دنباله شاخصه‌های مهار و تحریک (به‌جای سیگنال&shy;های </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">depth-EEG</span></span></span><span style="color:black;"><span style="font-family:b nazanin;">)، رفتار شاخصه‌ها با استفاده از یک طبقه‌بندی‌کننده الگوی مارکوف مخفی پیوسته (</span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">CHMM</span></span></span><span style="color:black;"><span style="font-family:b nazanin;">) به دو گروه پیش&shy;ازحمله و میان&shy;حمله&shy;ای دسته‌بندی‌شده است. در انتها با روش پیشنهادی، دنباله شاخصه‌های مهار و تحریک سیگنال ثبت&shy;شده از یک کانال واقع در کانون صرع شش بیمار از پایگاه داده </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">FSPEEG</span></span></span><span style="color:black;"><span style="font-family:b nazanin;"> (که برای آن‌ها ثبت </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">depth-EEG</span></span></span><span style="color:black;"><span style="font-family:b nazanin;"> وجود دارد) استخراج‌شده است. کانون صرع این شش بیمار در هیپوکامپ و در بخش تمپورال قرار دارد. این سیگنال&shy;ها شامل 24 حمله و حدود 144 ساعت سیگنال میان&shy;حمله&shy;ای هستند. وقوع حمله صرعی در این بیماران در بدترین حالت ده دقیقه پیش از رخداد حمله صرعی پیش&shy;بینی شده است که برای انجام اقدامات درمانی مناسب است. میزان حساسیت و نرخ پیش‌گویی نادرست الگوریتم پیش‌گویی به‌طور میانگین به‌ترتیب برابر با 100% و 2/0 در ساعت است. در مقایسه با </span></span><span style="color:black;"><span style="font-family:b nazanin;">روش‌های پر‌محاسبه‌ای که برای رسیدن به ‌دقت بالا به کانال‌های فراوانی نیاز دارند، پیش‌گویی مبتنی بر الگو با استفاده از یک کانال و به‌صورت کاملاً برخط از ویژگی&shy;های این روش است.</span></span> <span style="color:black;"><span style="font-family:b nazanin;"></span></span><br> &nbsp;</p> <p>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., <em>the imbalance of excitation/inhibition neuronal activity</em>, 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 <em>one</em> 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.<br> &nbsp;</p> الگو فیزیولوژیک حمله صرع, پیش‌گویی برخط وقوع حمله صرعی, فیلتر کالمن, الگو آماری فضای حالت (SSM), صرع, الگوی مارکوف مخفی پیوسته (CHMM) Physiological model of epileptic seizures, Online Single-Channel Seizure Prediction, Kalman Filter, State Space Model (SSM), epileptic, Hidden Markov Model (HMM) 3 28 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-974-1&slc_lang=fa&sid=1 Farzaneh Shayegh فرزانه شایق farzaneh.shayegh@gmail.com 10031947532846006194 10031947532846006194 No Isfahan University of Technology دانشگاه صنعتی اصفهان Fahimeh Ghasemi فهیمه قاسمی f_ghasemi@amt.mui.ac.ir 10031947532846006195 10031947532846006195 Yes Esfahan university of medical science دانشگاه علوم پزشکی اصفهان Rasoul Amirfatahi رسول امیر فتاحی fattahi@cc.iut.ac.ir 10031947532846006196 10031947532846006196 No Isfahan University of Technology دانشگاه صنعتی اصفهان Saeed Sadri سعید صدری sadri@cc.iut.ac.ir 10031947532846006197 10031947532846006197 No Isfahan University of Technology دانشگاه صنعتی اصفهان Karim Ansarifard کریم انصاری اصل karim.ansari@gmail.com 10031947532846006198 10031947532846006198 No Shahid chamran university of ahvaz دانشگاه شهید چمران اهواز