تخمین برخــط پارامترهای مدل فیزیولوژیک حمله¬های صــرعی از روی سیگنال¬های depth-EEG به منظور استفاده در پیشگویی وقوع حمله

STUDENT

DEGREE

YEAR

: Epilepsy has involved about 0.6-0.8% of the world population. Abrupt occurrence of seizures makes the epileptic patients’ lives difficult. Motivated by making a better life for these patients, many efforts have been made to assess if seizures can be predicted in advance. Seizure predictability from one or multi-channels of EEG signals (both scalp and depth-EEG signals) have been widely considered, but any statistical satisfactory results have not obtained yet. Despite the very efforts have been done until now, still false positives of these algorithms are high to be applied in clinic. Here we are going to discover if the low accuracy of prediction algorithms is due to the features extracted from signal, which weakly reflect the seizure genesis mechanism. In this order, inhibition and excitation characteristics of neural masses are applied to predict seizures, to see whether can improve the accuracy or not. Actually, depthEEG signals are supposed to be outputs of a computational model of hippocampus, called depth-EEG model, whose parameters are inhibitory and excitatory characteristics of neural synapses. The amounts of neural inhibition and excitation, which could not be recorded directly, are extracted by using depthEEG parameter estimation algorithm. Thus, after analysis the depth-EEG model, and indicating the parameters effective in generating seizure-like signals, some parameter estimation algorithms are applied to depth-EEG signals. It is shown that at each value of parameter vector, there is a one-to-one relation between input and output of the model, which facilitate the Maximum Likelihood (ML)estimation algorithm. Also, this property lets us to define a heuristically parameter estimation algorithm, based on synchronization of the model output, and the under estimation signal. Both estimation algorithms are time consuming, and cannot deliver the results while signals are recorded. So, to make the proposed seizure prediction algorithm practically useful, behavior of inhibition and excitation parameters are modeled by a State Space Model (SSM). Adding the SSM equations to those of depth-EEG model, an extended Kalman filter have been used to extract the inhibitory and excitatory parameters in an online manner. Eventually, these physiological parameters, extracted from only one channel, are used to discriminate pre-ictal and ictal states. For depth-EEG signals of six patients of FSPEEG database, a prediction with 84.04% and 0.28 FPR is obtained. According to the surrogate theory, these results are statistically significant (p-value=0.02) to be able to generalized them to vast amounts of signals. Getting these results by using such univariate features iires the importance of taking seizure mechanism into account for a prediction process.

حدود%6/0-%8/0 جمعیت جهان مبتلا به صرع هستند. رخداد ناگهانی حمله های صرعی در این بیماران سبب می شود که آنها زندگی مطلوبی نداشته باشند. به همین دلیل مدت هاست که محققان درصدد بررسی امکان پیشگویی وقوع حمله های صرعی هستند؛ چرا که اگر بتوان حمله های صرعی را با اطمینان پیشگویی کرد، علاوه بر این که بیمار در بقیه موارد می تواند با آرامش به زندگی خود بپردازد، امکان اقدامات درمانی جدیدی نیز فراهم می شود. اگرچه امکان پیشگویی وقوع حمله های صرعی از روی سیگنال های EEG ثبت شده از سطح سر یا سطح قشر مغز و با استفاده از اطلاعات یک کانال یا چندین کانال به کرّات مورد توجه قرار گرفته است، اما با ارزیابی آماری دقیق در مورد نتایج به دست آمده، به جرأت می توان گفت که هیچ یک از روش ها نتیجه ای بهتر از پیشگویی کننده تصادفی نداشته اند، لذا در عمل به علت خطای مثبت زیاد قابل استفاده نمی باشند. در این رساله هدف بررسی این موضوع است که آیا علت دستیابی به پیشگویی با دقت کم استفاده از ویژگی هایی از سیگنال است که از فرآیند حاکم بر تولید سیگنال های depth-EEG اطلاعات کافی به دست نمی دهند. به این منظور اطلاعات فیزیولوژیک در مورد مکانیسم وقوع حمله های صرعی یعنی مشخصه های مهار و تحریک در مجموعه ای از نورون ها از سیگنال های depth-EEG استخراج شده است، تا تأثیر این اطلاعات در امکان پیشگویی حمله های صرعی بررسی شود. برای استخراج اطلاعات فیزیولوژیک، سیگنال های depth-EEG خروجی یک مدل محاسباتی که بر مبنای فعل و انفعالات بین مجموعه های نورونی در هیپوکامپ طراحی شده است، فرض شده است. در این رساله از این مدل با عنوان مدل depth-EEG یاد شده است. در واقع به علت عدم دسترسی به مقدار پارامترهای تحریک و مهار در نورون ها، مقدار آنها باید به عنوان پارامترهای مدل مفروض با توجه به سیگنال های depth-EEG تخمین زده شود. در این رساله پس از بررسی تحلیلی مدل و تعریف بردار پارامتر موثر در تغییر فعالیت خروجی مدل، با اثبات خاصیت یک به یک بودن مدل روش ساده ای برای تخمین پارامترها به روش بیشترین درستنمایی ارائه شده است. به علاوه روش ابتکاری جدیدی مبتنی بر همزمان کردن خروجی مدل با سیگنال مورد شناسایی پیشنهاد شده است. اجرای هر دو روش مستلزم بهینه سازی توابع هدف می باشند و لذا تخمین پارامترهای بهینه بسیار زمان بر است. با استفاده از این دو روش پارامترهای مربوط به سیگنال های ساختگی تخمین زده شده است. با توجه به این که خطای تخمین روش پیشنهادی از روش بیشترین درستنمایی کمتر است، با استفاده از روش پیشنهادی پارامترهای مربوط به سیگنال های depth-EEG واقعی در طول زمان به دست آمده است. سپس به منظور برخط نمودن فرآیند استخراج پارامترها رفتار دنباله پارامترها به صورت فضای حالت ( SSM ) مدلسازی شده است. معادلات تفاضلی حاصل از این مدلسازی به معادلات توصیف کننده مدل depth-EEG اضافه شده است، به نحوی که امکان استخراج دنباله پارامترها با استفاده از فیلتر کالمن میسر شده است. در نهایت با استفاده از پارامترهای استخراج شده به عنوان ویژگی های فیزیولوژیک دقت پیشگویی حمله های صرعی در 6 بیمار (شامل 24 حمله و 60 ساعت سیگنال دورازحمله) از پایگاه داده FSPEEG برابر با 71% (حساسیت 04/84% و خطای مثبت 28/0 در ساعت) به دست آمده است. با ارزیابی آماری با استفاده از داده های جایگزین حاصل از جایگزینیِ زمان حمله و جایگزینیِ پنجره های 10 ثانیه ای از سیگنال مقدار p-value معرف اعتبار نتیجه گزارش شده به ترتیب 0 و 02/0 به دست آمده است، به عبارت دیگر نتیجه قابل تعمیم به تعداد زیادتری از بیماران و زمان بیشتری سیگنال دورازحمله است. همانند دیگر کارهای قبلی در زمینه پیشگویی حمله های صرعی، پیشگویی کننده حاصل در مقایسه با پیشگویی کننده تصادفی برتری ندارد. به هر حال رسیدن به این نتیجه با استفاده از اطلاعات تنها یک کانال و به صورت برخط نویدبخش موثربودن استفاده مستقیم از اطلاعات فیزیولوژیک به عنوان ویژگی است. پیشنهاد می شود در آینده روش معرفی شده در این رساله با بهبود مدل و توجه به اطلاعات چندکاناله انجام گیرد.