تعریف و طبقه بندی جدید حملات ناگهانی تشنج و صرع

The new definition and classification of seizures and epilepsy

چکیده

1. مقدمه

2.تاریخچه طبقه بندی های انجام شده برای حملات ناگهانی و صرع

3.تعریف حملات ناگهانی و صرع

4-دسته بندی انواع حملات

4-1 دسته بندی پایه

4-2 دسته بندی توسعه یافته

5. طبقه بندی صرع ها

6- طبقه بندی صرع

7. منطق موجود برای تغییرات طبقه بندی ها

7-1. تغییراتی که به متخصصان عصب و پزشکان و همچنین بیماران کمک می کنند.

7-2. تغییراتی که به انجام تحقیق کمک می کند.

8. نتیجه گیری

چکیده

این تحقیق به بحث در مورد طبقه بندی های به روز شده حملات ناگهانی و صرع می پردازد. این طبقه بندی ها اخیرا در سازمان بین المللی مقابله با صرع(ILAE) منتشر شده اند. در حالی که یادگیری سیستم طبقه بندی جدید همیشه یک چالش بوده است، بخصوص اینکه در طول سه دهه گذشته تغییری نداشته است،اما این طبقه بندی های جدید امکان در نظر گرفتن انواع حملات دسته بندی نشده قبلی را فراهم می آورد و از طبقه های شهودی استفاده می کند. در این تحقیق، در مورد استفاده از طبقه های جدید برای بیماران، پزشکان و محققان بحث می کنیم.

1. مقدمه

طبقه بندی حملات ناگهانی و صرع قبلا در سال های 1981 (ILAE, 1981)، 1985 (ILAE, 1985)) و 1989 (ILAE, 1989). انجام شده است. انجام طبقه بندی های جدید صرع و حملات ناگهانی دارای اهمیت بسیار زیاد برای پزشکان و تیم های درمانی، بیماران و خانواده ها و همچنین محققان می باشند. از چشم انداز یک بیمار، این طبقه بندی می تواند تشخیص مشخص را سبب شود و درک افراد رادرمورد بیماری افزایش دهد. از نظر پزشکان و بیماران، این دسته بندی ها باعث افزایش ارتباطات و بحث می شوند. از چشم انداز محققان، وجود این طبقه بندی ها امکان بررسی دارو یا درمان های جراحی، واکنش و برگزاری دوره های بالینی را برای حملات و صرع های مختلف فراهم می آورند.

8. نتیجه گیری

این طبقه بندی های جدید، چارچوبی را برای افزایش درک  تشخیص حملات و صرع برای بیماران ، پزشکان و محققان فراهم آورده اند. در حالیکه مباحث قابل توجه منجر به اجماع نظراتی شده اند که بروز رسانی طبقه بندی های را اجرایی کرده اند، اما این طبقه بندی های جدید به صورت پیوسته توسط پزشکان و متخصصان صرع شناس به کار گرفته می شوند تا مزایای توصیف شده در بالا حاصل شوند.

Abstract

This review discusses the updated classifications of seizures and the epilepsies, which were recently published by the International League Against Epilepsy (ILAE). While it is always a challenge to learn a new classification system, particularly one that has remained essentially unchanged for over three decades, these new classifications allow for the inclusion of some previously unclassifiable seizure types and utilize more intuitive terminology. In this review, we specifically discuss the use of these new classifications for patients, clinicians, and researchers.

1. Introduction

Classifications for seizures and epilepsy were previously constructed in 1981(ILAE, 1981), 1985 (ILAE, 1985) and 1989 (ILAE, 1989). Having seizure and epilepsy classifications are exceedingly important for the clinicians and care teams, patients and families, and researchers. From a patient standpoint, it provides a namable diagnosis/etiology and improves understanding. For clinicians and the patient’s care team, these classifications enhance communication and discussion. From a research standpoint, having these classifications enables investigation of drug or surgical treatments, responses, and typical clinical courses for different types of seizures and epilepsy.

8. Conclusion

These new classifications will provide a framework to improve our understanding of seizure and epilepsy diagnoses for patients, clinicians, and researchers. While significant debate led to the consensus that resulted in the updated operational classifications, it will take the adoption and regular use of these new classifications by clinicians and epileptologists to produce the potential benefits described above.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تعریف و طبقه بندی جدید حملات ناگهانی تشنج و صرع

The new definition and classification of seizures and epilepsy

آشکارسازی حملات ناگهانی صرعی در مانیتورینگ تک کاناله طولانی مدت سیگنال الکتروانسفالوگرافی در بیماران مبتلا به حملات تشنجی غایب

Detection of Paroxysms in Long-Term, Single Channel EEG-Monitoring of Patients with Typical Absence Seizures

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص پاروکسیسم در طولانی مدت EEG، مانیتورینگ الکترونی تک کانال در بیماران مبتلا به تشنجهای غیر معمول

Detection of Paroxysms in Long-Term, Single Channel EEG-Monitoring of Patients with Typical Absence Seizures

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

حملات شدید در خوک های مبتلا به Taenia solium در تانزانیا

Severe seizures in pigs naturally infected with Taenia solium in Tanzania

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

حملات شدید در خوک های مبتلا به Taenia solium در تانزانیا

Severe seizures in pigs naturally infected with Taenia solium in Tanzania

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تشخیص تشنج سخت افزار دوست با یک مجموعه پیشرفته از درختان تصمیم گیری کم عمق

Hardware-Friendly Seizure Detection with a Boosted Ensemble of Shallow Decision Trees

چکیده

1) مقدمه

2) توصیف داده‌ها و روش

الف) داده‌های EEG داخل جمجمه‌ای

ب) انتخاب ویژگی

پ) درخت تصمیم‌گیری گرادیان افزایشی

3) طراحي و ارزيابي عملكرد طبقه‌بندي‌کننده

4) طبقه‌بندی سخت افزار-دوست

الف) توپولوژی درخت تصمیم سیگنال مختلط

ب) اختصاص دادن کانال بهینه در یادگیری داده‌ها

5) نتیجه گیری

چکیده

یادگیری داخل تراشه‌ای کارآمد، به یکی از عناصر ضروری ابزار پزشکی کاشتنی تبدیل شده است. باوجود مقالات بسیاری که در حوزه‌ی الگوریتم‌های تشخیص خودکار حمله صرعی وجود دارد، درمورد پیاده‌سازی سخت‌افزار-دوست چنین روش‌هایی، به اندازه کافی بحث نشده است. در این مقاله، ما به کارگیری مجموعه‌های درخت تصمیم‌ را پیشنهاد می کنیم تا به مصالحه میان دقت تشخیص و هزینه های پیاده سازی دست یابیم. مدل استخراج ویژگی پیشنهاد شده، نشان می دهد که این طبقه‌بندی‌کننده‌ها با تعداد کمی از درخت‌های سطحی (d <4) ، به سرعت با مدل‌های یادگیری پیچیده‌ترکه قبلا برای پیاده سازی سخت افزاری ارائه شده اند، رقابت می کنند. نتایج به دست آمده بر روی بیش از 3460 ساعت دیتا الکتروانسفالوگرافی داخل جمجمه‌ای، شامل 430 حمله از 27 بیمار مبتلا به صرع، تایید شده است.

ب) اختصاص دادن کانال بهینه در یادگیری داده‌ها

چالش اصلی در تشخیص آنلاین حمله صرعی با استفاده از ابزار کاشتنی، الگوریتم تشخیص و انتخاب و پیاده‌سازی ساختار مداری مربوطه است. با این حال، با استفاده از روش‌های سوئیچینگ و مالتی‌پلکس کردن، می‌توان در تخصیص بلوک‌های فیزیکی به کانال های انتخاب شده، انعطاف‌پذیری داشت. برای مقابله با این مشکل، می‌توان ساختار درخت تصمیم در نظر گرفته شده با عمق و پیچیدگی منطقی را بر روی تراشه اجرا کرد. همانطور که در شکل 6 نشان داده شده، در هر مرحله از مقایسه، تنها مقدار ویژگی کانالی موردنیاز است که در گره فعال و مسیر درخت باشد. بقیه آرایه را می‌توان برای صرفه جویی در توان مصرفی خاموش کرد. همچنین می‌توان کانال ها را در کل آرایه مالتی‌پلکس کرد یا از بین زیر مجموعه‌ای از کانال های منتخب که نقش اصلی در تصمیم‌گیری حین آموزش دارند، انتخاب کرد. جالب توجه است که تنها D × N بلوک استخراج ویژگی مورد نیاز است و D عمق درخت و N تعداد درختان است. مشکل اینجاست که عمق درخت، تاخیر تشخیص را تحت تاثیر قرار می‌دهد.

Abstract

Efficient on-chip learning is becoming an essential element of implantable biomedical devices. Despite a substantial literature on automated seizure detection algorithms, hardware-friendly implementation of such techniques is not sufficiently addressed. In this paper, we propose to employ a gradientboosted ensemble of decision trees to achieve a reasonable trade-off between detection accuracy and implementation cost. Combined with the proposed feature extraction model, we show that these classifiers quickly become competitive with more complex learning models previously proposed for hardware implementation, with only a small number of low-depth (d <; 4) “shallow” trees. The results are verified on more than 3460 hours of intracranial EEG data including 430 seizures from 27 patients with epilepsy.

B- Optimal Channel Allocation upon Learning from Data

A critical challenge of online seizure detection using an implantable device is that the seizure detection algorithm and corresponding circuit architecture has to be chosen and implemented in advance. Using switching techniques and multiplexing, however, provide some degree of flexibility in allocation of physically implemented blocks to selected channels. To partially alleviate this problem, a generic decision tree architecture with a reasonable depth and complexity can be implemented on chip. During each comparison step, only the feature value of the channel appearing in the active node and path of tree is needed, as shown in Fig. 6. The rest of array can be switched off to save power. The channels can be multiplexed either across the entire array, or chosen among a selected subset of channels which are dominant decision makers during training. Interestingly, only D × N feature extraction blocks are required, with D being the depth of tree and N being the number of trees. The drawback is that the depth of tree will affect the detection latency. Alternatively, since the final decision of each tree is made upon completing the decisions in prior levels, one single feature extraction block (analog or digital) can be sequentially used per tree, resulting in significant hardware saving.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص تشنج سخت افزار دوست با یک مجموعه پیشرفته از درختان تصمیم گیری کم عمق

Hardware-Friendly Seizure Detection with a Boosted Ensemble of Shallow Decision Trees

ثبت کننده الکتروانسفالوگرافی کم مصرف 8 کاناله و آشکارساز تشنج ASIC برای سیستم ایمپلنت زیر پوستی

Low-Power, 8-Channel EEG Recorder and Seizure Detector ASIC for a Subdermal Implantable System

چکیده

1) مقدمه

2) پیش‌زمینه

3) وضعیت‌های عملکردی

4) طراحی مداری تقویت‌کننده آنالوگ فرانت اند

الف) تقویت‌کننده کم نویز

ب) تقویت کننده با بهره قابل تنظیم

پ) فیلتر آنتی آلیاس

ت) مبدل آنالوگ به دیجیتال

5) آشکارسازی حمله

الف) آموزش

ب) فیلترهای باند پهن

پ) جدول ارجاع احتمالات

ت) توان مصرفی تخمین زده شده

6) نتایج اندازه‌گیری

الف) پاسخ فرکانس

ب) اندازه‌گیری نویز

پ) اندازه گیری توان

ت) مقایسه تقویت‌کننده فرانت‌اند

ث) تشخیص حمله

ج) تاثیر تعداد کانال‌ها بر الگوریتم

7) نتیجه‌گیری

چکیده

روش الکتروانسفالوگرافی (EEG)، تاکنون روش اصلی تشخیص و درمان بیماران مبتلا به صرع باقی مانده‌است. متاسفانه، سیستم‌های EEG سیار، برای بیمارانی که مبتلا به نوع نادر حمله هستند، ایده‌آل نیست. این سیستم ها تنها تا 3 روز دوام دارند و اگر در حین کار حمله‌ای ثبت نشود، نمی‌تواند تشخیص قطعی درمورد وضعیت بیمار دهد. هدف این پژوهش، ارائه‌ی یك سیستم ثبت EEG هشت کاناله و تشخیص حمله است كه دارای دو وضعیت عملکردی: تشخیص و شمارش حمله می‌باشد. در وضعیت تشخیص، تا زمانی‌که تعدادی حمله تشخیص داده شود، EEG به طور مداوم ثبت می‌شود. در وضعیت شمارش حملات، سیستم با استفاده از یک الگوریتم کم‌توان، تعداد حمله‌های بیمار را ردیابی می‌کند، و به پزشکان ارائه می‌دهد تا برای تعیین اثربخشی دارو یا سایر ملازمات بالینی کمک‌کننده باشد. یک مدار مجتمع (ASIC) که الگوریتم‌های ثبت و تشخیص حمله را پیاده‌سازی می‌کند، در تکنولوژی 0.18um CMOS طراحی و ساخته شده‌است. این تراشه شامل هشت کانال ثبت EEG بوده و برای کاهش توان مصرفی و ابعاد سیستم، طراحی شده است. در نتیجه سیستم آنالوگ با انرژی بهینه ارائه شده که نیاز به 2.75uW در هر کانال در وضعیت تشخیص و 0.84uW در هر کانال در حالت شمارش دارد. نویز ورودی در هر دو وضعیت، در حدود 1.1uVrms است.

7) نتیجه‌گیری

این مقاله، ساختار ASIC را برای استفاده در یک ثبت‌کننده EEG زیرپوستی با هدف تشخیص حمله ارائه می‌دهد.ASIC می‌تواند تا هشت کانال EEG را ثبت کرده و از الگوریتمی با توان بهینه برای تشخیص حملات استفاده کند. در وضعیت تشخیص،ASIC سیگنال EEG را تا پنج برابر پهنای باند معمولی ثبت می‌کند. پهنای باند بالاتر امکان ثبت نوسانات فرکانس بالا را فراهم می‌کند که به طور بالقوه می‌تواند تشخیص را بهبود بخشد. توان مصرفی کم ASIC باعث می‌شود طراحی سیستم EEG کوچکتر و بهتر شود. این باعث می‌شود که بیماران مبتلا به صرع، روش راحت‌تری برای مانیتورینگ حمله را تجربه کنند و پزشکان اطلاعات دقیق‌تری برای تشخیص و گزینه‌های درمانی داشته باشند.

Abstract

EEG remains the mainstay test for the diagnosis and treatment of patients with epilepsy. Unfortunately, ambulatory EEG systems are far from ideal for patients who have infrequent seizures. These systems only last up to 3 days and if a seizure is not captured during the recordings, a definite diagnosis of the patient’s condition cannot be given. This work aims to address this need by proposing a subdermal implantable, eight-channel EEG recorder and seizure detector that has two modes of operation: diagnosis and seizure counting. In the diagnosis mode, EEG is continuously recorded until a number of seizures are recorded. In the seizure counting mode, the system uses a low-power algorithm to track the number of seizures a patient has, providing doctors with a reliable count to help determine medication efficacy or other clinical endpoint. An ASIC that implements the EEG recording and seizure detection algorithm was designed and fabricated in a 0.18 μm CMOS process. The ASIC includes eight EEG channels and is designed to minimize the system’s power and size. The result is a power-efficient analog front end that requires 2.75 μW per channel in diagnosis mode and 0.84 μW per channel in seizure counting mode. Both modes have an input referred noise of approximately 1.1 μVrms.

VII- CONCLUSION

This paper presented the design of an ASIC to be used in a minimally invasive subdermal implantable EEG recorder and seizure detector. The ASIC can record up to eight channels of EEG and uses a power-efficient algorithm to detect seizures. In the diagnosis mode, the ASIC records EEG up to five times the typical bandwidth. The higher bandwidth enables recording of HFO, which can potentially improve diagnosis. The ASIC’s low-power consumption enables the design of smaller and better ambulatory EEG systems. It offers patients with epilepsy a more convenient way of monitoring their seizures and gives doctors more accurate information for diagnosis and treatment options.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ثبت کننده الکتروانسفالوگرافی کم مصرف 8 کاناله و آشکارساز تشنج ASIC برای سیستم ایمپلنت زیر پوستی

Low-Power, 8-Channel EEG Recorder and Seizure Detector ASIC for a Subdermal Implantable System

تشخیص و پیش بینی تشنج از طریق مقادیر قفل (مانع) دامنه و فاز

Seizure Prediction and Detection via Phase and Amplitude Lock Values

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تشخیص و پیش بینی تشنج از طریق مقادیر قفل (مانع) دامنه و فاز

Seizure Prediction and Detection via Phase and Amplitude Lock Values

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

SVM بر پایه تشخیص تشنج EEG خودکار با استفاده از بسته های موجی Coiflets

SVM based Automated EEG Seizure Detection using ‘Coiflets’ Wavelet Packets

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

SVM بر پایه تشخیص تشنج EEG خودکار با استفاده از بسته های موجی Coiflets

SVM based Automated EEG Seizure Detection using ‘Coiflets’ Wavelet Packets

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.