دانلود رایگان ترجمه مقاله پیش بینی تشنج با استفاده از ویژگی های موجدار کلی و محلی – IEEE 2015

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1.مقدمه
EIZURE یک موج ناگهانی از فعالیت مغزی می باشد که بیش از 65 میلیون فرد را در سراسر جهان متاثر می سازد. در طول تشنج مغز نمی تواند فعالیت طبیعی خود را انجام دهد بنابراین فرد ممکن است فعالیت غیر طبیعی و انحصاری را در حرکت، رفتار، آگاهی و احساس نشان دهند. صرع تشنج های بازگشتی خود به خودی است. تشنج باعث غرق شدن، سوختگی ، تصادف و بطور بسیار جدی مرگ می شود. به هر حال، با پیش بینی دقیق و به موقع صرع قبل از آغاز تشنج واقعی، این موقعیت های ناخواسته جلوگیری می شوند. Electroencephalogram (EEG) یک ابزار پذیرفته شده برای تجزیه و تحلیل تشنج است. EEG می اواند فعالیت الکتریکی مغز را از طریق قرارگیری الکترودهای متعدد بر روی پوست سر را اندازه گیری کند.
مقاله برای بررسی شدن در 10 جولای 2015 پذیرفته شد. بخش از این مقاله توسط مرکز پژوهش یادگیری ماشینی CM3، دانشگاه Charles Sturt استرالیا حمایت شد. نویسندگان این مقاله برای CM3، دانشگاه Charles Sturt استرالیا می باشند. یک بخش قابل توجهی از پژوهش پیش بینی تشنج، در مراجع 23 تا 28 انجام شده اند. Williamson و همکارانش، یک روش پیش بینی تشنج بر اساس ویژ گی زمانی فضایی ارائه کردند. نتایج تجربی، %85 دقت را با نرخ پوزیتو نادرست (FPR) 0.03/h با استفاده از 19 بیمار از 21 بیمار کلی با استفاده از مجموعه داده ی مرجع ارائه می کنند. Chisci و همکارانش همچنین یک روش پیشنهادی را با استفاده از یک ندل خودکاهشی و ماشین بردار پشتیبان (SVM) پیشنهاد کردند. دقت روش (PA) %100 با FPR 0.41/h با استفاده از تنها 9 بیمار از مجموعه داده ی مشابه بود. Mirowskiو همکارانش روش دیگری را بر اساس ویژگی های دو متغیره مانند همبستگی عرضی، وابستگی غیر خطی، entrainment دینامیک با استفاده از مجموعه داده پیشنهاد کردند جایی که نتایج، %71 دقت با FPR صفر با استفاده از 15 بیمار از 21 بیمار ارائه کردند. Park و همکارانش یک تکنیکی را با استفاده از ویژگی های خطی قدرت طیفی و طبقه بندی کننده ی غیر خطی با توجه به 18 از 21 بیمار پیشنهاد کردند که این تکنیک %94.4 دقت را با FPR 0.20/h با استفاده از مجموعه داده ارائه کرد. Li و همکارانش نرخ spike را با استفاده از یک فیلتر مورفولوژی بکار بردند و %75.8 PA با FPR 0.09/h را با استفاده از تمام 21 بیمار از مجموعه داده ها بدست آوردند. Moghim و همکارانش یک تکنیک پیش بینی تشنج را با استفاده از ویژگی های آماری مختلف توسط دوباره علامت زدن دوره ی preictal سیگنال های EEG پیشنهاد کردند. آنها دقت بالایی را برای 1 تا 6 دقیقه با استفاده از مجموعه داده ها بدست آوردند. Rasekhi و همکارانش تکنیک پیش بینی تشنج را بر اساس ویژگی های خطی تک متغیره توسط ارائه ی %73.9 PA با FPR 0.15/h با استفاده از مجموعه داده ی دیگر پیشنهاد کردند.
دستیابی به یک تعادل خوب با استفاده از الگوریتم پیش بینی بین PA بالا با FPR پایین، با استفاده از تمام بیماران مشکل است. به علاوه برای یک افق پیش بینی تشنج داده شده (SPH)، همچنین دستیابی به عملکرد بالای سطح احتمال برای تمام بیماران توسط یک روش خاص مشکل می باشد. پدیده های non-abruptness و اناقض سیگنال ها به همراه موقعیت های مغزی متفاوت، سن بیمار، جنس بیمار، و نوع تشنج موضوعات چالش برانگیزی هستند که ثبات عملکرد را در عبارات PA پیشرفته و هشدار نادرست توسط روش موجود با استفاده از تمام بیماران متاثر می سازد. بنابراین پژوهش بیشتر باید به هدف دستیابی به دقت بهتر با FPR پایین انجام شود.

زمانی که یک سیگنال EEG از یک بیمار بدست می آید، آن سیگنال ممکن است انواع دوره ها مانند interictal,، preictal و دوره های ictal، در آن درمان داشته باشد. بنابراین برای پیش بینی پیشرفته  یک حالت ictal انتقال بین دوره های interictal و preictal نیاز به تعیین دادرد چنانکه EEG یک مزیت عالی در مطالعه ی فعالیت عصبی گذرا می باشد. در ابتدا چگونگی تعیین یک دوره ی preictal همراه با یک دوره ی ictal از یک دوره ی interictal دقت عملکرد پیش بینی پیشرفته را نشان می دهد. برای تعیین دوره ها ی بین interictal و preictal تقسیم سیگنال به تعدادی دوره نیاز می شود (یعنی یک پنجره ی زمانی خاص). بعضی وقت ها دوره با دوره های interictal و preictal و یا دوره ی ictal بطور کامل هم تراز نیست یعنی هر دوره ممکن است دو دوره داشته باشد اگر اندازه ی دوره بسیار بزرگ باشد. بنابراین استخراج ویژگی های کلی از دوره های متفاوت و ویژگی های محلی داخل یک دوره برای پیش بینی درست تشنج مهم می باشند. بعلاوه، ویژگی های استخراج شده از کانال های مختلف مجزا شده بطور فضایی از سیگنال های EEG برای بهبود PA باید ادغام شوند. در این مقاله، یک روش جدید، با بکارگیری همبستگی فضایی زمانی یژگی های کلی و محلی داخل یک سیگنال EEG، برای یافتن انتقال از یک رخداد حادثه در طول یک تشنج، مشتق می شود.
همبستگی فاز، اساساً اطلاعات انتقالی بین سیگنال های فعلی و سیگنال های مرجع از دو سیگنال مربوطه را با استفاده از تبدیل فوریه ارائه می کند. بنابراین ویژگی کلی نوسانی می تواند از همبستگی فاز محاسبه شود. Paul و همکارانش نشان دادند که همبستگی فاز، امکان تشخیص حرکت قابل اطمینان را بین دو تصویر یا دو بلوک امکان پذیر می سازد. در روش مشابه، همبستگی فاز ویژگی های استخراجی بین دو دوره ی مجاور می تواند تغییرات نسبی را بین دو دوره از سیگنال EEG ایجاد کند. این مورد می تواند برای تخمین دوره های preictal/ictal و interictal استفاده شود. به هر حال، بعضی وقت ها، این ممکن است برای شناسایی انتقال کافی نباشد، اگر انتقال هم تراز با دوره ها نباشد. برای جلوگیری از این موقعیت، یک ویژگی محلی، همچنین از انحراف و نوسان سیگنال از نوسان پی در پی داخل یک دوره برای رسیدن به دقت بهتر و کاهش قابل توجه در هشدارهای نادرست استخراج می شود. Xie و همکارانش نشان دادند که نوسان و انحراف قادر به شناسایی نقص هایی از یک تصویر هستند. این حالت، برای استفاده از نوسان و انحراف اصلاحی نوید بخش است که می تواند تغییرات کوچک یک دوره ی خاص را اندازه گیری کند.بنابراین، یک تابع ارزش انحراف و نوسان وزن شده در یک جهت زمانی(موقتی) برای استخراج ویژگی محلی نوسانی محاسبه می شود. از آنجایی که سیگنال های EEG، غیر ثابت هستند، تابع ارزش انحراف و نوسان نمی تواند بطور کامل تاخیر فاز تنها بین دو دوره را شناسایی کند. بنابراین در این مقاله، هر دو ویژگی برای پیش بینی پیشرفته ی آغاز تشنج با PA بیشتر و FPR کمتر استفاده می شوند.
مقاله، بصورت زیر سازمان یافته است: تشکیل داده ها، تکنیک پیشنهادی مفصل، استخراج ویژگی، طبقه بندی و پردازش بعدی در بخش 2 توصیف می شوند، تعریف SPH و اطمینان آماری در بخش 3 توصیف می شوند، و نتایج تجربی مفصل و بحث ها در بخش 4 توضیح داده می شوند و بخش 5 شامل تجزیه و تحلیل نتایج و بخش 6 شامل نتیجه گیری می باشند.

بخشی از مقاله انگلیسی:

I. INTRODUCTION

EIZURE is a sudden surge of electrical activity of the brain affecting more than 65 million individuals (i.e. 1%) worldwide [1]. Approximately 325 million people experience a seizure within their life time [2]. During seizure, the brain cannot perform normal tasks; therefore, people may restriction and abnormal activity in movement, behavior, awareness, and sensation. Epilepsy is spontaneously recurrent seizures. Seizure causes many injuries such as submersion, burns, accidents, and more seriously, death. However, it is possible to prevent these unwanted situations by timely and correct prediction of epilepsy before the actual seizure onset. Electroencephalogram (EEG) is a wellaccepted tool for analyzing seizure [3]-[28]. EEG can measure electrical activity of the brain through multiple electrodes placed on the scalp Manuscript submitted for review July 10, 2015.This work was supported in part by the CM3 Machine Learning Research Centre, Charles Sturt University, Australia. The authors are with CM3, Charles Sturt University, Australia (e-mail: {mparvez; mpaul}@csu.edu.au). [8]. A significant amount of research of seizure prediction including [23]-[28] has been conducted. Williamson et al. [23] proposed a seizure prediction method based on spatiotemporal features. The experimental results provide 85% accuracy with false positive rate (FPR) of 0.03/h using 19 patients from a total of 21 patients using the benchmark data set [29]. Chisci et al. [24] also proposed a prediction method using an autoregressive model and support vector machine (SVM). The prediction accuracy (PA) was 100% with FPR of 0.41/h using only 9 patients from the same data set [29]. Mirowski et al. [25] proposed another method based on bivariate features such as cross-correlation, nonlinear interdependence, and dynamic entrainment using the data set in [29] where the results provided 71% accuracy with zero FPR using 15 of 21 patients. Park et al. [2] proposed a technique using linear features of spectralpower and non-linear classifier considering 18 of 21 patients that provided 94.4% accuracy with FPR of 0.20/h using the data set [29]. Li et al. [26] employed the spike rate using a morphological filter and obtained 75.8% PA with FPR of 0.09/h using all 21 patients from the data set [29]. Moghim et al. [27] proposed a seizure prediction technique in advance using different statistical features by preictal period relabeling of the EEG signals. They obtained high accuracy (i.e. 96.30%) for prediction between 1 and 6 minutes in advance using the data set [29]. Rasekhi et al. [28] proposed a seizure prediction technique based on linear univariate features by providing 73.9% PA with FPR of 0.15/h using another data set. It is difficult to achieve a good balance by using a prediction algorithm between high PA (100%) with low FPR, using all patients. Moreover, for a given seizure prediction horizon (SPH), it is also difficult to achieve prediction performance above the chance level for all patients by a particular method [11]. The non-abruptness phenomena and inconsistency of the signals along with different brain locations, patient-age, patient-sex, and seizure-type are the challenging issues that affect the consistency of performance in terms of advanced PA and false alarms by the existing methods using all types of patients. Therefore, more research should be conducted within this scope to achieve better accuracy for advanced prediction with low FPR. When an EEG signal is captured from a patient, it may have different types of periods such as interictal, preictal, and ictal periods, in that order. Thus, for the advanced prediction of an ictal state, the transition between interictal and preictal periods needs to determine, as EEG is a supreme advantage in studying transient neuronal activity [30]. How early a preictal period associated with an ictal period is determined from the interictal period by a technique indicates its advanced prediction performance accuracy. To determine the transition between interictal and preictal periods, an EEG signal needs to be processed by dividing the signal into a number of epochs (i.e. a specified time-window). Sometimes the epoch is not fully aligned with the interictal, preictal, or ictal period i.e. an epoch may have two types of period if an epoch is very large in size. Thus, it is important to extract global features from different epochs and local features within an epoch for correct seizure prediction. Moreover, the features extracted from spatially separated different channels of EEG signals should be incorporated to further improve the PA. In this paper, a novel approach is derived by exploiting spatiotemporal correlation of undulated global and local features within an EEG signal to find the transition of an event occurring during a seizure. Phase correlation [31] essentially provides relatively shifting information between current signals and reference signals of two correlated signals via Fourier Transformation. Thus, undulated global feature (UGF) can be determined using phase correlation. Paul et al. [31] demonstrated that the phase correlation is capable of detecting reliable motion between two images or blocks. In a similar fashion, the phase correlation extracting features between two adjacent epochs can capture the relative changes between two epochs of an EEG signal. This can be used to estimate the transition between interictal and preictal/ictal periods. However, sometimes this may not be adequate to identify the transition, if the transition is not aligned with the epochs. To avoid this situation, a local feature is also extracted from the signal fluctuation and deviation from the frequent oscillation within an epoch to achieve better accuracy and significant reduction in false alarms. Xie et al. [32] illustrated that fluctuation and deviation are able to identify defects of an image. This inspired us to use customized fluctuation and deviation [32] which can measure the fine changes of a specific epoch. Therefore, a cost function comprised of weighted fluctuation and deviation in each epoch is calculated in a temporal direction to extract the undulated local feature (ULF). Since EEG signals are non-stationary signals [33], the cost function of fluctuation and deviation (CFD) cannot fully identify the phase-lagging between two epochs alone. Thus, in this paper, both features (i.e. UGF and LGF) are used for advanced prediction of seizure onset with greater PA and low FPR. The paper is organized as follows: the data formation, the detailed proposed technique, feature extraction, classification, and post-processing are described in Section 2. Definition of SPH and statistical validation is described in section 3, and the detailed experimental results and discussions are explained in Section 4. Section 5 contains the analysis of results, and Section 6 the conclusion.