دانلود رایگان ترجمه مقاله تشخیص خودکار سلسله رویداد نوزادان به عنوان بخشی از یک سیستم تشخیص تشنج نوزادان (نشریه IEEE 2007) (ترجمه رایگان – برنزی ⭐️)

تشخیص خودکار سلسله رویداد نوزادان به عنوان بخشی از یک سیستم تشخیص تشنج نوزادان

Automated neonatal spike train detection as part of a neonatal seizure detection system

چکیده
۱- مقدمه
۲- روش ها
A- تشخیص سلسله رویداد
۳- اطلاعات
۴- نتایج
۵- بحث
۶- پیوست ۱

چکیده
تشنجات نوزادان، یک نشانه مهم از اختلال عملکردی سیستم عصبی مرکزی است و به توجه فوری پزشکی نیاز دارد. در این مقاله، یک الگوریتم جدید برای تشخیص تشنجات در موج نگاری مغز (EEG) نوزادان ارائه شده است. در مقابل رویکرد رایج در نوشته ها، دو (به جای یک) نوع تشنج را تعریف می کنیم. این مقاله یک الگوریتم جدید را برای تشخیص یکی از این انواع تشنج، یعنی یک سلسله رویداد، در موج نگاری مغز (EEG) نوزادان ارائه می دهد. حساسیت این الگوریتم ۹۸٪، مقدار پیشگویی مثبت ۸۶٪ با نرخ مثبت کاذب ۰٫۶ در ساعت است. نتایج اولیه در این زیر مجموعه نشان دهنده یک الگوریتم بالینی قابل استفاده است و بهتر از روش های دیگر منتشر شده عمل می کند. یک الگوریتم برای نوع تشنج دوم نیز توسعه داده شد اما در مقاله بعدی توضیح داده خواهد شد.
۱٫ مقدمه
تشنجات در حدود ۰٫۵٪ از تمام نوزادان رخ می دهد. علل تشنج، متعدد و مختلف است و ۹۰٪ از تمام موارد به عدم تعادل بیوشیمیایی در CNS، انسفالوپاتی هیپوکسیک ایسکمیک، خونریزی داخل جمجمه و انفارکت، عفونت داخل جمجمه و ناهنجاریهای رشدی (ساختاری) [۱۲] نسبت داده می شود. تشخیص دستی این تشنجات معمولا مبتنی بر علائم بالینی مرتبط با ارزیابی بصری EEG است. در نوزادان، تشنجات بالینی اغلب ظریف است و ممکن است بدون نظارت ثابت [۴] از کنترل خارج شود. همچنین بسیاری از تشنجات در معاینات بالینی، غیرقابل تشخیص هستند و تنها با نظارت EEG تشخیص داده می شوند. علاوه بر این، تجزیه و تحلیل EEG به مهارت های خاصی نیاز دارد که همیشه در واحد مراقبت های ویژه نوزادان (NICU) فراهم نیستند. این بدان معنی است که بسیاری از تشنجات قابل کنترل نیستند [۹]. به این دلایل، یک سیستم خودکار که به طور قابل اعتماد، تشنجات نوزادی را تشخیص دهد، از ارزش قابل توجهی در NICU برخوردار خواهد بود.
در نوشته ها، بسیاری از الگوریتم های تشخیص تشنج شرح داده شده است. بهترین و شناخته شده ترین روش ها مبتنی بر محاسبات تابع خودهمبستگی در حال اجرا [۸]، تشخیص تخلیه های ریتمیک [۵] و مدل سازی و تجزیه و تحلیل پیچیدگی هستند [۳]. دیگر روش ها مبتنی بر استخراج ویژگی ها با استفاده از آنتروپی، موجک، محتوای فرکانسی، و غیره و آموزش یک طبقه بندی کننده ([۶]، [۱۳]،[۱]) برای رده بندی صحیح این ویژگی ها می باشند.
در این مقاله از یک رویکرد متفاوت استفاده خواهیم نمود. اکثر الگوریتم های تشخیص تشنج نوزادان، هیچ تمایزی بین انواع مختلف تشنجات را تشخیص نمی دهند. در مقابل، ما دو نوع تشنج را تعریف می کنیم. اولین نوع، سلسله رویداد (شکل ۱)، و دومی، نوع نوسانی (شکل ۲) است. تفاوت عمده بین این دو نوع تشنج در این واقعیت نهفته است که نوع نوسانی، یک نوع تشنج روان و مداوم است در حالی که نوع سلسله رویداد شامل سنبله های قطع شده توسط ولتاژ پایین EEG می شود. الگوریتم های مختلف تشخیص در دو نوع توسعه یافته اند. در طی تجزیه و تحلیل، هر دو الگوریتم به صورت موازی اجرا می شوند و در صورتی تشخیص رخ می دهد که یک یا هر دو الگوریتم، یک تشنج را تشخیص دهند. یک رویکرد جدید این است که الگوریتم های توسعه یافته از یک ناظر انسانی برای خواندن EEG تقلید می نمایند. در مورد سلسله رویداد، یک ناظر انسانی به دنبال یک الگوی تکراری از سنبله های تکراری بسیار مشابه می گردد. بنابراین ابتدا یک الگوریتم مبتنی بر این استراتژی باید این سنبله ها را بیابد و سپس تکرار و شباهت آنها را بررسی نماید. در این مقاله، ما تشخیص سلسله رویداد را ارائه خواهیم نمود. تشخیص نوسان در مقاله بعدی بحث خواهد شد.

Abstract

Neonatal seizures are an important sign of central nervous system dysfunction and require immediate medical attention. In this paper a new algorithm is presented for the detection of seizures in the electroencephalogram (EEG) of neonates. In contrast to the common approach in the literature, we define two (rather than one) types of seizures. This paper presents a new algorithm for the detection of one of these seizure types, namely a spike train, in the electroencephalogram (EEG) of neonates. The sensitivity of this algorithm is 98%, the positive predictive value 86% with a false positive rate of 0.6 per hour. Preliminary results on this subset indicate a clinically usable algorithm and outperform other published methods. An algorithm for the second seizure type was also developed but will be explained in a follow-up paper.

۱٫ Introduction

Seizures occur in approximately 0.5% of all neonates. The causes of seizures are many and various, with 90% of all cases being attributed to biochemical imbalances within the CNS, hypoxic ischemic encephalopathy, intracranial hemorrhages and infarcts, intracranial infection and developmental (structural) anomalies [12]. The manual detection of these seizures is usually based on clinical signs in conjunction with visual assessment of the EEG. In neonates the clinical seizures are often subtle and and may be missed without constant supervision [4]. Also many seizures tend to be subclinical, detected only by EEG monitoring. Furthermore, EEG analysis requires particular skills which are not always present around the clock in the neonatal intensive care unit (NICU). This implies that many seizures are missed [9]. For these reasons an automated system that reliably detects neonatal seizures would be of significant value in the NICU.

In the literature many seizure detection algorithms have been described. The best known methods are based on computing a running autocorrelation function [8], rhythmic discharges detection [5] and modeling and complexity analysis [3]. Others are based on the extraction of features using entropy, wavelets, frequency content, etc and then training a classifier ([6], [13], [1]) to correctly categorize these features.

In this paper we will use a different approach. Most neonatal seizure detection algorithms make no distinction between different types of seizures. We, on the contrary, defined two seizure types. The first is the spike train type (Fig. 1) , the second the oscillatory type (Fig. 2). The major difference between the two types lies in the fact that the oscillatory type is a fluent, continuous kind of seizure whereas the spike train type consists of spikes interrupted by lower voltage EEG. Different detection algorithms were developed for the two types. During analysis both algorithms run in parallel and a detection occurs if one or both of the algorithms detects a seizure. A novel approach is that the developed algorithms will mimic a human observer reading EEG. In case of a spike train a human observer looks for a repetitive pattern of very similar repeated spikes. Therefore an algorithm based on this strategy must first find these spikes and then check their repetitiveness and similarity. In this paper we will present the spike train detection. The oscillation detection will be discussed in a follow-up paper.

تشخیص خودکار سلسله رویداد نوزادان به عنوان بخشی از یک سیستم تشخیص تشنج نوزادان

Automated neonatal spike train detection as part of a neonatal seizure detection system