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.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

نظارت و تشخیص تشنج نوزادی با پردازش سیگنال ویدیویی

Monitoring and Diagnosing Neonatal Seizures by Video Signal Processing

چکیده
اپراتورهای بالینی در یکی از سخت ترین زمینه های مراقبت های بهداشتی، یعنی مغز و اعصاب نوزادان، باید به صورت روزانه، حملات صرعی را تشخیص دهند. بسیاری از نوزادان مبتلا به بیماری ها در هنگام تولد در معرض خطر تشنجات نوزادی قرار دارند که شایع ترین نشانه اختلالات حاد عصبی است و باید فورا و با دقت به منظور درمان به موقع شناخته شود. روش های تشخیصی سنتی مبتنی بر نظارت ElectroEncephaloGraphic (EEG). با این حال، تجزیه و تحلیل EEG نوزادان، یک روش بسیار تخصصی و وقت گیر است و به مهارت های خاصی نیاز دارد که همیشه به راحتی در بخش های مراقبت ویژه نوزادان (NICUs) در دسترس نیستند. بنابراین، روش های تشخیصی غیر تهاجمی، زمان واقعی، خودکار، کم هزینه، گسترده و تجهیزات توانمند در شناخت قابل اعتماد تشنجات نوزادی، از ارزش قابل توجهی در NICUs برخوردار می باشند.
در حالی که اهمیت تشخیص سریع حضور تشنج نوزادان روشن است، هیچ روش واقعی برای تشخیص یا شناسایی اولیه چنین رفتارهای بیمارگونه و در حال حاضر هیچ ابزار در دسترسی برای پیش بینی آنها وجود ندارد. تنها روش در دسترس و قابل اعتماد، EEG است که نسبتا تهاجمی است و اجرا و تفسیر آن به پرسنل پزشکی به خوبی آموزش دیده نیاز دارد.
یک جایگزین بسیار جذاب، با توجه به EEG، شناسایی خودکار حضور تشنج شامل کسب، از طریق یک دوربین فیلمبرداری، حرکات بدن نوزاد و پردازش درست سیگنال ویدیویی مربوطه می شود. هدف از یک الگوریتم پردازش تصویر موثر، تشخیص حرکات “غیر معمول” نوزاد است. هدف از تشخیص خودکار و طبقه بندی تشنجات نوزادان از طریق یک دوربین فیلمبرداری، جایگزینی کامل EEG نیست (هنوز برای تشخیص دقیق مورد نیاز است)، بلکه ساختن یک تشخیص زمان واقعی، کم هزینه، اولیه، خودکار بر اساس جنبه های بالینی تشنجات نوزادان است. به عبارت دیگر، یک سیستم مبتنی بر دوربین فیلمبرداری خودکار می تواند برای نظارت دائم برای هر بیمار در بخش مراقبت نوزادان مورد استفاده قرار گیرد، در حالی که تنها زمانی EEG برای تشخیص قطعی نیاز می شود که این سیستم، با احتمال بالا، حضور بالقوه تشنج را نشان دهد. برای این منظور، چند روش توسعه یافته در بخش مهندسی اطلاعات، در همکاری با وزارت علوم اعصاب، هر دوی دانشگاه پارما (ایتالیا)، پیشنهاد شده است: روش های مبتنی بر دوره تناوب، مبتنی بر طبقه بندی و مبتنی بر-خوشه بندی.

Abstract

Clinical operators in one of the most difficult health care fields, namely neonatal neurology, on a daily basis have to face the diagnosis of epileptic seizures. Most of the neonates affected by perinatal diseases are at risk of neonatal seizures, which are the most common sign of acute neurological dysfunctions and must be promptly and accurately recognized in order to establish timely treatments. Traditional diagnostic methods are based on ElectroEncephaloGraphic (EEG) monitoring. The neonatal EEG analysis is, however, a very specialistic and time-consuming technique which requires particular skills not always easily available in Neonatal Intensive Care Units (NICUs). Therefore, non-invasive, real-time, automated, low-cost, wide-scale diagnostic methods and equipments capable of reliably recognizing neonatal seizures would be of significant value in the NICUs.

Whilst the importance of promptly diagnosing the presence of neonatal seizures is clear, there are no actual methods to early recognize or detect such pathological behaviors, nor currently available instruments to predict them. The only available and reliable method is the EEG, which is moderately invasive and needs well-trained medical personnel to be correctly administered and interpreted.

A very appealing alternative, with respect to the EEG, to automatically detect the presence of seizures consists in acquiring, through a video camera, the movements of the newborn’s body and properly processing the relevant video signal. The goal of an effective image processing algorithm is the detection of “unusual” movements of the newborn. The aim of automatic detection and classification of neonatal seizures through a video camera is not to completely replace the EEG (still required for accurate diagnosis), but to make a realtime, low-cost, preliminary, automatic diagnosis based on clinical aspects of neonatal seizures. In other words, an automatic video camera-based system could be used to permanently monitor every patient in the neonatal care unit, whereas the EEG would be required for a definitive diagnosis only when the system indicates, with high probability, the potential presence of seizures. For this purpose several approaches, developed at the Department of Information Engineering, in collaboration with the Department of Neurosciences, both of the University of Parma (Italy), have been proposed: periodicity-based, classification-based and clustering-based approaches.

کارآزمایی بالینی پرگابالین به عنوان یک درمان افزودنی در کودکان مبتلا به صرع مزمن

Clinical trial of pregabalin as an add-on therapy in children with refractory epilepsy

Abstract

Epilepsy is the most common neurological disorder worldwide. One-third of epileptic patients do not respond after treatment with first- or second-line antiepileptic drugs. Pregabalin is a novel antiseizure drug with established anxiolytic and analgesic efficacy. In this study, we evaluated the efficacy and tolerability of pregabalin as an adjunctive therapy in a group of children with intractable epilepsy. From October 2011 to September 2012, 67 children with refractory epilepsy who visited the pediatric neurology clinic of Mofid Children’s Hospital were enrolled in this study. The patients were treated with pregabalin. Reduction in seizure frequency and severity were compared after 1 and 6 mo of treatment initiation. During follow-up, >50% reduction in seizure frequency or severity was observed as a response to the drug. Of the 60 children who reached the last stage, 29 (48.3%) were boys and 31 (51.7%) were girls. The age of the children ranged between 6 mo and 16 yr, with a mean age of 71 ± 42.9 mo. Pregabalin reduced seizure frequency up to 2.41 ± 2.38 (48% decline) and 2.75 ± 2.38 (40.86% decline) after 1 and 6 mo of treatment initiation, respectively. There was a significant difference between seizure frequency at 1 (P < 0.001) and 6 mo (P < 0.001) after pregabalin initiation compared with the initial attacks. Increased appetite, frequent urination, hallucinations, and headache were the most common side effects in our patients, with a complication rate of 18.33%. Thus, pregabalin seems to be effective and well tolerated for seizure control in children with intractable epilepsies.

1 Introduction

Approximately 50 million people suffer from epilepsy worldwide, indicating that it is the most common neurological disorder. Only two-thirds of epileptic patients respond after treatment with first- or second-line antiepileptic drugs (AEDs) despite the presence of newgeneration anticonvulsants. Multiple drug therapy using adequate AEDs with suitable safety and tolerability is another choice for the treatment of patients with epilepsy [1,2].

Pregabalin (PGB) is a novel AED, which has established anxiolytic and analgesic impressions in preclinical animal studies [3]. PGB is structurally similar to gamma-aminobutyric acid (GABA) but is inactive against GABA receptors [4]. PGB has a favorable pharmacokinetic profile, including a linear doseconcentration curve, with an effective range of 150– 600 mg/day; rapid and extensive absorption after oral consumption, which is not affected by food; high bioavailability of approximately 90%, which reaches peak plasma concentration 1 h after oral dosage; and a half-life of 6 h [5].

PGB does not cause relevant pharmacokinetic interactions with simultaneously administered anticonvulsants because of the lack of cytochrome P450 induction, protein binding, and pharmacokinetic interaction [6]. PGB has pharmacological features similar to those of gabapentin (GBP), with a 3-10-fold higher potency. Both these molecules connect the a2d subunit of voltage-related calcium channels and carry out their actions through calcium channel turnover, which results in decreased calcium influx and consequently diminution of presynaptic neurotransmitter release [7,8].

Several randomized controlled trials have shown that PGB can be used as an adjunctive therapy for partial epilepsies, with favorable efficacy and tolerability [9]. However, limited literature is available on the efficacy of PGB as an adjunctive therapy in epileptic children experiencing different types of seizures. Thus, in this study, we evaluated the efficacy and tolerability of PGB as an adjunctive treatment in a group of children with intractable epilepsy

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
1- مقدمه
2- روش ها
A- تشخیص سلسله رویداد
3- اطلاعات
4- نتایج
5- بحث
6- پیوست 1

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 98٪، مقدار پیشگویی مثبت 86٪ با نرخ مثبت کاذب 0.6 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.
1. مقدمه
تشنجات در حدود 0.5٪ از تمام نوزادان رخ می دهد. علل تشنج، متعدد و مختلف است و 90٪ از تمام موارد به عدم تعادل بیوشیمیایی در CNS، انسفالوپاتی هیپوکسیک ایسکمیک، خونریزی داخل جمجمه و انفارکت، عفونت داخل جمجمه و ناهنجاریهای رشدی (ساختاری) [12] 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 [4] 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 [9]. 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 [8]، تشخیص تخلیه های ریتمیک [5] و مدل سازی و تجزیه و تحلیل پیچیدگی هستند [3]. دیگر روش ها مبتنی بر استخراج ویژگی ها با استفاده از آنتروپی، موجک، محتوای فرکانسی، و غیره و آموزش یک طبقه بندی کننده ([6]، [13]،[1]) 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 1)، و دومی، نوع نوسانی (شکل 2) 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.

1. 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