دانلود رایگان ترجمه مقاله طبقه بندی ثبت های EEG صرع ۵-S با آنتروپی توزیع و نمونه – Frontiersin 2016

Frontiersin

دانلود رایگان مقاله انگلیسی طبقه بندی ثبت های EEG صرع ۵-S با استفاده از آنتروپی توزیع و آنتروپی نمونه به همراه ترجمه فارسی

 

عنوان فارسی مقاله: طبقه بندی ثبت های EEG صرع ۵-S با استفاده از آنتروپی توزیع و آنتروپی نمونه
عنوان انگلیسی مقاله: Classification of 5-S Epileptic EEG Recordings Using Distribution Entropy and Sample Entropy
رشته های مرتبط: پزشکی و مهندسی پزشکی، بیوالکتریک، مغز و اعصاب و پردازش تصاویر پزشکی
فرمت مقالات رایگان مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF میباشند
کیفیت ترجمه کیفیت ترجمه این مقاله خوب میباشد 
نشریه Frontiersin
کد محصول f347

مقاله انگلیسی رایگان (PDF)

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان (PDF)

دانلود رایگان ترجمه مقاله

خرید ترجمه با فرمت ورد

خرید ترجمه مقاله با فرمت ورد
جستجوی ترجمه مقالات جستجوی ترجمه مقالات

 

 

بخشی از ترجمه فارسی مقاله:

مقدمه
صرع، شایعترین اختلال عصبی بعد از میگرن، سکته ی مغزی و بیماری آلزایمر می باشد که حدود ۵۰ میلیون انسان در سراسر جهان با صرع زندگی می کنند. صرع در تمام سنین رخ می دهد و می تواند آنها را از لحاظ اقتصادی، اجتماعی و حتی فرهنگی تحت تاثیر قرار دهد. افردی که صرع دارند اغلب فرصت های تحصیلی کاهش یافته، موانعب برای مشاغل خاص، دسترسی کاهش یافته به سلامتی و بیمه ی عمر و دیگر تبیض و انگ اجتماعی را تجربه می کنند.مطالعات اخیر نشان داده اند که بالای %۷۰ از بیماران مبتلا به صرع می توانند درمان شوند. به هر حال سه چهارم کشورهایی با درآمد پایین یا متوسط نمی توانند به درمانی که آنها نیاز دارند برسند. این حالت یک شکاف درمانی می باشد زیرا %۸۰ از افرادی که مبتلا به صرع هستند در این کشورها زندگی می کنند. موانع درمانی این افراد، شامل فقدان ارائه دهندگان مراقبت سلامتی آموزش دیده و تکنیک های تشخیصی کم هزینه ی معتبر می باشد.
بعضی از عواملی که منجر به صرع می شوند عبارات از:اتصالات غیر طبیعی مغز، افزایش هماهنگ سازی فعالیت عصبی در مغز، یک اسیب مغزی به همراه شرایطی که فعالیت طبیعی مغز را مختل می کنند و یا بعضی از ترکیبات این فاکتورها. مشخصه ی صرع، تشنج های مکرر و بی دلیل می باشد. در طول فرایند epileptogenesis شبکه ی نرمال عصبی بطور ناگهانی به یک شبکه ی بیش از حد تحریک پذیر تبدیل می-شود که بیشتر بر قشر مخ تاثیر می گذارد. رایج ترین تست های تشخیصی صرع، اندازه گیری فعالیت های الکتریکی مغز از طریق ردیابی سیگنال های موج نگاری مغز (EEG) و magnetoencephalogram (MEG) و اسکن های مغزی شامل توموگرافی محاسبه ایی (CT)، توموگرافی نشر پوزیترون (PET) و تصویربرداری رزونانس مغناطیسی (MRI) می باشد.
EEG یک تکنیک کم هزینه، غیر تهاجمی و در عین حال کارامد برای بررسی فعالیت مغزی می باشد. تخلیه-های spike غیر طبیعی در ثبت EEG می توانند قبل و در طول حمله ی تشنج شناسایی شوند . ثبت فازهای تشنج ictal و preictal از طریق تجزیه و تحلیل ویژگی های EEG، به مدت طولانی مطالعه شده است. این ویژگی های EEG از طیف وسیعی از محدوده ی زمانی، محدودی ی فرکانسی، تجزیه و تحلیل فرکانس زمانی و ویژگی هایی بر اساس دینامیک های سیگنال انتخاب می شوند. روش های غیر خطی، اخیراً بسیار مورد توجه هستند زیرا سیگنال های EEGخروجی های یک سیستم ذاتاً پیچیده و غیر خطی مغز در نظر گرفته می شوند. مطالعات منتشر شده روش های غیر خطی متفاوتی، به خصوص ویژگی های آنتروپی مانند آنتروپی تقریبی، آنتروپی نمونه، آنتروپی فازی و آنتروپی جایگشت یا ترکیبی از دو یا بیشتر از این ویژگی های آنتروپی را بررسی کرده است. تمام آنها عملکرد خوبی را برای توزیع سیگنال های EEG interictal و ictal و سیگنال-های طبیعی نشان داده اند.
به هر حال، این مطالعات بر اساس ثبت های EEG از پایگاه داده ی خاص می باشند. دلیلی که برای استفاده از داده های طولانی تر وجود دارد بطور جزئی ممکن است بر اساس این حقیقت باشد که روش های آنتروپی سنتی، وابسته به پارامتر هستند و می توانند به تخمین های پایداری تنها با ثبت های داده ی طولانی برسند. بنابراین بیشتر الگوریتم های موجود تنها برای تشخیص رویداد بعدی یا افلاین نسبت به تشخیص در حین رخداد و آنلاین مناسب می باشند. این حالت مراقبان را به اقدام سریع در طول رویداد محدود می کند که برای سلامتی بهتر بیمار مبتلا به صرع، مهم می باشد. بیمار ممکن است در معرض شرایط تهدید کننده ی زندگی مواجه شود اگر یک حمله ی تشنج به سرعت تشخیص داده نشود. بعلاوه تشنج آنلاین و تشخیص تشنج بر اساس ثبت های EEG کوتاه مدت، علاقه ی فزاینده ایی را برای ظهور تقویت کننده های EEG قابل حمل ایجاد می کند. در حال حاضر هیچ مطالعه ایی منتشر نشده است که بطور سیستماتیک برای رسیدن به تشخیص دقیق با استفاده از EEG کوتاه مدت تلاش کرده باشد.

در سال ۲۰۱۵ لی و همکارانش، یک روش آنتروپی جدید –آنتروپی توزیع-بر اساس توزیع فاصله ی بین بردار، در نمایش فضای حالت سری های زمانی توسعه دادند. DistEn برتری هم داده ی الگوگیری و هم داده ی کلنیکی جهان واقعی را با تعداد بسیار کمی از نمونه در مقایسه با SampEn و FuzzyEn نشان داده است. بعلاوه، DistEn مانعی را برای وابستگی به پارامتر ورودی روش های سنتی ایجاد می کند. در مطالعه ی قبلی-مان، ما این روش DistEn جدید را برای تجزیه و تحلیل EEGهای طبیعی، ictal و intrictal بکار بردیم و دریافتیم که تفاوت های قابل توجهی بین EEGهای intrictal و ictal وجود دارد. بعلاوه در این مطالعه ما بررسی کرده ایم که چگونه طول EEGها بر عملکرد DistEn تاثیر می گذارد. همچنین ما بین گروه ،تفاوت های DistEn را با استفاده از ثبت کامل، میانگین از هر دوره ی به ترتیب ۵ ثانیه و ۱ ثانیه در طول ثبت کامل، تست کردیم. جالب اینکه ما دریافتیم که میانگین عملکرد میانگین DistEn دوره های ۵ ثانیه تقریباً مشابه به انهایی بود که با استفاده از ثبت کامل EEG یافت شدند. تز طرف دیگر، هنگام استفاده از دوره های ۱ ثانیه، DistEn نه تنها قادر به تشخیص تفاوت بین EEGهای ictal و interictal بود بلکه همچنین قادر به تشخیص تفاوت بین EEGهای نرمال و interictal هم بود. اگرچه این مطالعه، از دوره های ۱ و ۵ ثانیه استفاده کرد، آن حالت درستی از کاربرد طول مدت کوتاه نمی باشد زیرا ان در طول ثبت کامل میانگین گیری شد. بنابراین در مطالعه ی فعلی، در عوض ما تنها یک دوره را استفاده خواهیم کرد. ما تصمیم داریم از طول دوره ی ۵ ثانیه نسبت به ۱ ثانیه در این مطالعه استفاده کنیم زیرا دوره ی ۱ ثانیه بسیار کوتاه است و سایر الگوریتم ها نمی توانند نتایج معتبری را بدهند.
یکی از جنبه های بسیار مهم استفاده از بخش های طولانی مدت، فرایند انتخاب بخش مورد علاقه از ثبت می-باشد. بسیاری از مطالعات، روش انتخاب تصادفی را دنبال می کنند که مشکلاتی را با توجه به ارزیابی تکرارپذیری و تعمیم پذیری تکنیک ارائه می کند. از آنجایی که انتخاب بخش داده به میزان زیادی تحت تاثیر ویژگی ها می باشد، بنابراین نتایج کلی، قابلیت اطمینان یافته ها سوال برانگیز می شود. برای حل این مشکل، ما سه پروتکل تقسیم بندی را پیشنهاد کردیم و نتایج را برای هر یک از انها بطور جداگانه بررسی کردیم.
در این مطالعه ما عملکرد روش های DistEn و SampEn را برای طبقه بندی ثبت های EEG صرع کوتاه مدت با طول داده ی ۵ ثانیه مقایسه کردیم. شکل ۱ دیاگرام بلوکی این مطالعه را نشان می دهد. در ابتدا ما سیگنال-های EEG را از افراد سالن و مبتلا به صرع از پایگاه داده ی آنلاین جمع آوری کردیم و سه پروتکل را برای انتخاب سیگنال EEG 5 ثانیه از ثبت کامل پیشنهاد کردیم. سپس از DistEn و SampEn برای استخراج ویژگی استفاده کردیم. سرانجام ما عملکرد طبقه بندی ویژگی های استخراج شده در میان گروه های نرمال، interictal، ictalرا ارزیابی و مقایسه کردیم.
الگوریتم های DistEn و SampEn در بخش الگوریتم های DistEn و SampEn توصیف می شوند. بخش توصیف داده های EEG، داده های EEG استفاده شده در این مطالعه را خلاصه می کند. روش های تجزیه و تحلیل آماری در بخش تجزیه و تحلیل آماری ارائه می شوند. نتایج در بخش نتایج، پس از بحث ها در بخش بحث ارائه می شوند. نتیجه گیری در آخرین بخش نتیجه می شود.

بخشی از مقاله انگلیسی:

INTRODUCTION

Epilepsy is the fourth most common neurological disorder after migraine, stroke, and Alzheimer’s disease (Sirven and Shafer, 2014) with an estimated 50 million people globally living with epilepsy (Media-Center, 2015). Epilepsy occurs in people of all ages and can affect them economically, socially, and even culturally. People with epilepsy often experience reduced educational opportunities, barriers to particular occupations, reduced access to health and life insurance, and other social stigma and discrimination (Sirven and Shafer, 2014; MediaCenter, 2015). Recent studies show that up to 70% of people with epilepsy can be successfully treated. However, about three fourths in low- and middle-income countries may not receive the treatment they need. This is a considerable “treatment gap,” since nearly 80% of the epilepsy population live in those countries (Media-Center, 2015). Barriers to treatment for those people include the lack of trained healthcare providers and reliable low-cost diagnostic techniques (Media-Center, 2015). Some common reasons of epilepsy are an abnormality in brain connections, an increased synchronization of neuronal activity in the brain (in which some brain cells either overexcite or over-inhibit other cells), a brain damage associated with conditions that disrupt normal brain activity, or some combination of these factors (NINDS, 2015). The hallmark of epilepsy is recurrent and unprovoked seizures. During the “epileptogenesis” process, the normal neuronal network abruptly turns into a hyper-excitable network, affecting mostly the cerebral cortex (Acharya et al., 2013). The most commonly used diagnostic tests for epilepsy is the measurement of electrical activity in the brain through monitoring electroencephalogram (EEG) or magnetoencephalogram (MEG) signals, and brain scans including computed tomography (CT), positron emission tomography (PET), and magnetic resonance imaging (MRI) (NINDS, 2015; Zhang et al., 2015). EEG is a non-invasive, low-cost, yet effective technique for examining the electrical activity of the brain. Abnormal spike discharges can be identified in EEG recordings before and during a seizure attack (interictal and ictal states). Recognition of interical and ictal seizure phases through the analysis of EEG features has long been studied (Acharya et al., 2013). Those EEG features are selected from a wide spectrum, including timedomain (Meier et al., 2008; Minasyan et al., 2010), frequencydomain (Polat and Güne¸s, 2007; Chua et al., 2011), timefrequency analysis (Ocak, 2009; Tzallas et al., 2009; Guo et al., 2010; Alam and Bhuiyan, 2013; Kumar et al., 2014a,b), and features based on non-linear dynamics of the signal (Yuan et al., 2011). Non-linear methods have attracted increasing attention recently, since EEG signals are considered outputs of an intrinsically non-linear, complex system—the brain. Published studies have explored the availability of different nonlinear methods, especially entropy features such as approximate entropy (ApEn) (Srinivasan et al., 2007; Ocak, 2009; Guo et al., 2010; Kumar et al., 2014a,b), sample entropy (SampEn) (Song et al., 2012), fuzzy entropy (FuzzyEn) (Kumar et al., 2014a; Xiang et al., 2015), and permutation entropy (PE) (Nicolaou and Georgiou, 2012; Li et al., 2014), or the combinations of two or more of these entropy features (Kannathal et al., 2005; Yuan et al., 2011; Acharya et al., 2012, 2015), all of which have shown good performance for distinguishing interictal, ictal EEG signals, and normal signals. However, these studies are based on the entire EEG recordings (whose lengths is usually more than 20 s) from a specific database (Srinivasan et al., 2007; Ocak, 2009; Guo et al., 2010; Yuan et al., 2011; Acharya et al., 2012; Nicolaou and Georgiou, 2012; Song et al., 2012; Kumar et al., 2014a,b). The reason for using longer data length may partly be due to the fact that the traditional entropy methods are parameter dependent and typically can achieve stable estimations only for relatively long data recordings (e.g., 1000 sampling points or more; Richman and Moorman, 2000; Xie et al., 2008; Chen et al., 2009; Yentes et al., 2013). Therefore, most of the existing algorithms are only suitable for offline or post event detection of seizure rather than online or during event detection. This limits the caregivers to take prompt action during an event, which is important for better health outcome of epileptic patient. Patients may be exposed to life-threatening conditions if a seizure onset cannot be detected promptly. Additionally, online epilepsy and seizure detection based on short-length EEG recordings is set to become increasingly favored with the emergence of portable EEG amplifiers. To the best of our knowledge, there is currently no published study that has systematically attempted to achieve accurate detection using short-length EEG recordings. In 2015, Li et al. (2015a) developed a new entropy method— distribution entropy (DistEn)—based on the distribution of inter-vector distances in the state space representation of time-series. DistEn has shown superiority for analysis of both benchmark data (Li et al., 2015a; Udhayakumar et al., 2015) and real world clinical data (Li et al., 2015) with extremely small number of samples compared with SampEn and FuzzyEn. In addition, DistEn precludes the dependence upon input parameters of the traditional methods (Li et al., 2015a; Udhayakumar et al., 2015). In our previous study, we applied this novel DistEn method to analyzing normal, interictal, and ictal EEGs, and found significant differences between the interical and ictal EEGs (Li et al., 2015b). Additionally, in that study we have explored how the length of EEGs influences DistEn performance. We tested the between group differences of DistEn using complete recording (4097 samples), average of each 5 s (868 samples) and 1 s (174 samples) epochs over complete recording, respectively. Intriguingly, we found that the performance of average DistEn of 5 s epochs was almost the same as that was found using the complete EEG recording. On the other hand, when using 1 s epochs, DistEn was not only able to detect the difference between interical and ictal EEGs, but also the difference between normal and interictal EEGs. Although the study used 5 and 1 s epoch, it is not true case of short length application, since it was averaged over the complete recording. Therefore, in the current study we will use only one epoch instead. We have decided to use epoch length of 5 s rather than 1 s in this study as we believe that 1 s epoch is too short and other algorithms (such as SampEn) mostly cannot give in valid results. One important aspect of using a short-length segments from long recording is the selection process of the segment of interest from the recording. Most studies follow the random selection procedure, which presents difficulties with regard to evaluating the reproducibility and generalizability of the technique. Since the choice of data segment mostly affects the feature and hence the overall results, the reliability of the findings becomes questionable. To address this problem, we proposed three segmentation protocols and evaluated results for each of them separately (Li et al., 2015b). In this study, we compared the performance of the DistEn and SampEn methods for classifying short-length epileptic EEG recordings with a data length of 5 s. Figure 1 shows a block diagram of this study. At first, we collected EEG signals from healthy and epileptic subjects from online database and proposed three protocols for the selection of 5 s EEG signal from complete recording. Then we used the DistEn and SampEn for feature extraction. Finally, we evaluated and compared the classification performance of extracted features among Normal, Interictal, and Ictal groups. Algorithms of DistEn and SampEn are described in Section Algorithms of DistEn and SampEn. Section Description of EEG Data summarizes the EEG data used in this study. Statistical analysis methods are provided in Section Statistical Analysis. Results are provided in Section Results, followed by discussions in Section Discussion. Conclusions are presented in the last Section.

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *