癫痫梅格峰值检测使用的统计特性和遗传编程与资讯

文摘

癫痫是一种神经紊乱,影响全世界数以百万计的人。监测大脑活动和识别癫痫源始于峰值检测是癫痫治疗的重要步骤。脑磁图描记术(MEG)与高密度传感器是一个新兴的癫痫诊断工具;这使得手工分析一个具有挑战性的任务由于梅格的大量数据。本文探讨了使用八个统计特性和遗传编程(GP)再(资讯)发作峰值检测。该方法包括三个阶段:预处理、遗传programming-based特征生成和分类。建议的方法的有效性已被评估使用真实的梅格获得的数据来自28个癫痫患者。它取得了91.75%的平均灵敏度和特异性平均92.99%。

1。介绍

癫痫是大脑神经障碍的特点是反复发作。据估计影响大约1%的世界人口(1]。每年,大约有200000新发病例的癫痫诊断在美国和全球大约240万新病例(2]。癫痫患者能危害自己和/或其他人在癫痫发作。不同的技术已被用于监测和分析大脑活动,脑电图和功能磁共振成像等。前者被认为是癫痫诊断的主要工具。由于最近的技术进步,脑磁图描记术(MEG),一种神经影像技术,记录大脑的电流所产生的磁场使用超导量子干涉器件(鱿鱼),大脑活动已成为一个新的信息来源,是临床上用于不同的应用程序(3,4]诸如诊断工具在预处理和手术后的评估5- - - - - -7]。外科手术之前发作的本地化,从峰值检测。研究人员已经开发出不同方法发作脑电图峰值检测(8- - - - - -16和标准定义脑电图高峰10]。然而,直到现在,还没有正式的定义梅格峰值(17]。直接应用脑电图高峰标准梅格峰值可能不总是有效(18]。Ossenblok et al。19]发现梅格峰值更区别于背景活动和尖锐。一种解释的脑电图和梅格峰值之间的差异可能是由于这一事实梅格信号不扭曲或减毒材料的电导率,隔大脑和记录装置(20.- - - - - -26]。事实上,脑电图和梅格数据是互补的,不应该被认为是相互排斥的。大多数情况下,在临床实践中,发作癫痫高涨手动识别和标记的神经学家通过目视检查梅格(大约300个传感器)录音,这是一个非常繁琐,费时,和主观方法(8,27- - - - - -29日]。梅格读会话可以小时由于梅格的大量数据。因此,客观、可靠和自动检测方法发作高峰强烈期望在临床实践。在这项工作中,我们开发一种新型的梅格癫痫峰值检测算法通过将数据分成重叠段八容易计算和提取统计特征:最大和最小值,意思是,标准差,中位数、四分位范围,峰度和偏态。然后,遗传编程(GP)是用于提高再歧视的表现(资讯)分类器。图1代表一个的和梅格nonspiky段取自一个癫痫患者。

梅格数据来自28个癫痫患者是用来评估该方法的性能。获得的结果表明,与以前公布的工作相比有更好的性能(30.,31日]。

本文组织如下。后部分的介绍1,部分2提出了GP的概述。梅格的临床数据用来评估该方法中描述的部分3。峰值检测方法提出了部分4。部分5礼物和比较我们的结果与其他梅格峰值检测算法。最后,结论部分6。

2。遗传规划

GP是一个著名的进化算法用于优化解决方案使用生物进化机制(32),它已被用于数据和信号的分类(33,34]。医生是一个以人群为基础的算法,这意味着它从多个初始解决方案并试图产生新的和更好的解决方案。每个解决方案(即。,each individual in the population) is a mathematical formula that is represented as a tree. In the tree-based GP, the tree’s terminal nodes are the input data and the internal nodes are functions. A binary function node has two “children,” while a unary operator node has one “child.” The output node gives the output of the tree. Figure2显示了一个示例的数学公式树结构,在D1 D5有五个不同的输入问题。

每棵树结构公式生成的医生评估使用适应度函数,定义问题的基础上,给出一个值表示每棵树的意义解决给定问题的公式。这个值被称为“健身价值。“problem-dependent适应度函数设计。当更高的健身价值的公式是必需的,那么它被称为一个最大化的问题。否则,它是一个最小化问题。在每一代的全科医生,这新树来自最好的树发现通过实施一些医生操作。交叉和变异是最常用的全科医生操作产生新树。执行交叉交换随机选择的分支树与其他随机选择从其他树枝,从目前的一代。这个操作生成两个新的后代。突变是由替换一个随机选择的分支树的一个新的随机生成树。

以下步骤描述医生的共同程序:(1)初始化:它生成一个初始种群,代表了第一代。这通常是用随机的解决方案的创建。(2)医生操作(交叉和变异):它作用于人口树根据概率(交叉概率和变异概率)。(3)评价:它计算的健身价值新的个人使用一个适应度函数。函数的主要目的是给每个人一个值,代表它有多好。然后使用这个值来确定最好的个人。(4)选择:它传输树下一代最好的健身价值。树木被选中当前和前几代。(5)终止:如果已经满足终止条件,适者树算法停止和报告(或最佳解决方案),发现。终止条件可以一定数量的后代或一定的健身价值。如果没有满足终止条件,算法创建新一代重复步骤2到5。

3所示。梅格的临床数据

拟议的方法测试高质量的梅格数据记录在国家神经研究所(NNI),国王法赫德医疗城(KFMC)在利雅得,沙特阿拉伯使用Elekta Neuromag屏蔽室,有306个传感器(磁强计102和204梯度仪)。这些传感器分类和分布在头八个大脑区域(左颞、右颞、左额叶、右额叶,顶叶,右顶叶、左枕叶和右枕)。每个地区都有26个频道,除了左枕叶和右枕叶区域,只有24通道。在我们的开发中,数据使用的204梯度仪传感器。

磁大脑活动的28个癫痫患者(患者年龄介于14至43年)在静息状态仰卧位的采样频率1000赫兹和带通的0.03到330赫兹是记录在单独的会话,每15分钟。在同步,梅格21-channel脑电图(EEG,国际10- - - - - -20系统)、眼电图(小城镇)、心电图(ECG)也被记录下来。梅格信号然后带通滤过1 - 50 Hz视觉检查和检查一起并发21-channel EEG数据的至少一个梅格/脑电图技术员和一个神经病学顾问,遵循标准的原则建立了临床脑电图。没有超过三个交易日为每一个病人,与433年峰值。专家确定大脑区域和峰值的持续时间(起始-结束)目视检查。数据集包含两个右额叶的病人,一个病人在左额,两个患者右顶叶,三个患者左顶叶,11右颞患者,左颞患者和9,有26/24的渠道。

4所示。峰值检测方法

提出了峰值检测方法包括三个阶段:预处理,GP-based特征生成和分类。图3描述方法的概述。第二部分详细的每个阶段。

4.1。预处理阶段

在这个阶段,三个任务:执行数据分割、数据平滑,特征提取。梅格多通道信号划分为时代 有50%的女士连续两个时代之间的重叠。N分析的基础上选择高峰持续时间在这项研究中使用的所有癫痫患者。图4显示了直方图峰值的持续时间。中值滤波是应用于每一段平和的信号。从每个部分,八个统计特征提取:最大和最小值,意思是,标准差,中位数、四分位范围,峰度和偏态。

均值和中位数是集中趋势最常用的措施。方程(1)是用于获得均值(),是我段的数据点和段的长度。测量的统计分散部分数据点,我们使用标准差和四分位范围。方程(2)用于计算标准偏差()。四分位范围(差)的区别是中位数的下半部分数据点(Q1)和中位数的上半部分数据点(Q3)。峰度和偏态分布的形状的测量数据。峰度衡量朴实带有数据的分布,指出峰值还是平的。偏态指标数据分布的对称性的意思。方程(3)和(4)执行计算峰度和偏态,分别为(35]。

4.2。GP-Based特性代

在这个阶段,GP算法应用于自动创建新功能(最好的数学公式)相结合的选择功能。不同的输入特性(最大值、最小值、均值、标准差、中位数、差、峰度、偏态)组合是由GP个体的形式。表1介绍了GP的输入值,最好的结果返回。六个数学运算使用求和,减法,乘法,正弦,余弦和自然对数。医生从25个随机个体(第一代)。其业务(交叉和变异)应用于个人,根据概率。医生操作的概率变化,这取决于上一代的结果。最初的自适应交叉和变异概率是90%和10%,分别。新生成的树(公式)仅限于25水平。因此,交叉和变异是不允许打破这个极限。适者25人(父母和孩子)作为新一代选择。换句话说,25公式给最好的健身价值选择。 The GP algorithm terminates after 100 generations, and the best individual (formula) is reported.

适应度函数用于再评估公式(资讯)36),这是一个监督学习模型。它使用preclassified记录对未知的记录根据提取的特征进行分类。资讯分类新记录的基础上,多数的“k”类似preclassified记录。通常,相似性度量是一个距离函数(例如,欧几里得功能)。我们使用一个小的数据集以使用资讯作为适应度函数。这些数据被分为两组。第一组的资讯片段被用来作为参考点,而第二组被用来验证公式。每个组都有一个相同数量的飙升和nonspike段。健身价值的错误率是资讯分类结果。全科医生与最小错误率公式选择最好(公式)用于下一阶段了。 GPLab toolbox has been used for the experiments in this work [37]。

4.3。分类

发现最好的数学公式(错误率最低的),然而算法用于分类数据的每个通道的大脑的某个特定区域使用相同的参考点提到的两个阶段。注意,使用的相似性度量资讯的方法是基于计算功能。特别是,然而算法输入和参考点。然而算法输出的输入点前面确定的公式,这个公式时获得部分考虑的应用特性。资讯参考点的算法,另一方面,是相同的输出公式,得到当引用的公式应用于功能段。分类26/24-channel段,多数投票中26/24的决定是用来确定高峰还是nonspike段。

5。结果与讨论

我们应用峰值检测方法28癫痫患者(中提到的数据部分3),其中8例用于第二阶段和20在分类阶段。两个指标被用来评估性能,灵敏度和特异性的方法。灵敏度表示次数的比率(即分类器使正确的积极的决定。,检测峰值)的总数积极的决策。特异性是次数的比率(即分类器使正确的负面决定。,检测spike-free段)的总数-决策(38]。数据处理后,8例随机选择用于GP-based特性生成阶段。数据使用的四个病人资讯参考点和其他四个未知输入的地面真值公式找到最好的医生。当时最好的公式应用于部分剩余的20-patient数据的新功能进行分类阶段。注意,在分类阶段,我们使用相同的参考点提取4名患者的数据用来找到最好的医生公式。

此后,然而,用于分类数据的26/24-channel段属于一个8使用新功能的大脑区域,在那里 最近的邻居。每个通道的分类器结果给定部分的二进制:“1”为spike-free通道峰值和“0”频道。多数投票策略是使用在26频道分类的结果部分大脑的某个特定区域的峰值或spike-free段。段贴上一个高峰段当通道的数量在该地区正在考虑峰值> 13所示。

该算法实现了平均91.75%和92.99%,敏感性和特异性分别在17个实验。图5提出了两个公式通过GP进化的生成树。特别是,这些公式是两个17的最佳公式进行17个实验获得的。在图的正确公式5,这是使用一个特性X₄(标准偏差),提供了最佳的性能的17个公式,作为证明表(强调)2。

哈立德et al。30.梅格峰值检测]提出了一种方法使用一个共同的特殊模式与线性判别分析和实现的敏感性为89.745%,特异性89.154%相同的数据集。应用的方法Ossadtchi et al。31日梅格],这是一个使用独立分量分析峰值检测算法,在这个数据集导致敏感性83.278%,特异性79.945%。提出了工作成果展示的潜力提出patient-independent作为峰值检测系统的方法。

6。结论

在这项工作中,我们提出了一种patient-independent峰值检测方法基于统计特性和使用医生创造了最好的特性。的方法包括三个阶段:预处理、GP-based特征生成和分类。GP与资讯用于生成特性(s),更独特,减少输入维度。梅格实验结果使用真实的数据显示了方法的有效性与高敏感性和特异性检测发作高峰。拟议的峰值检测方法实现平均平均灵敏度为91.75%,特异性为92.99%,分别。这种方法是一个有价值的工具,用于epileptologists,帮助加速癫痫诊断的过程。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢支持收到国王法赫德医疗城(KFMC),沙特阿拉伯王国。

引用

1. i Mareels a瓦萨夫斯基,m .做饭,癫痫发作和脑电图:测量、模型检测和预测美国佛罗里达州波卡拉顿,CRC新闻,2010年。
2. 世界卫生组织,“简报癫痫,”2012年10月,http://www.who.int/mediacentre/factsheets/fs999/en/index.html。视图:谷歌学术搜索
3. p . Ritva i s穆罕默德,“脑磁图描记术(MEG)和其他神经生理学调查,“临床神经病学手册卷,111年,第465 - 461页,2013年。视图:出版商的网站|谷歌学术搜索
4. s . Braeutigam”已有和新兴的临床应用脑磁图描记术:基本面和放射学,”ISRN放射学ID 529463条,卷。2013年,18页,2013年。视图:出版商的网站|谷歌学术搜索
5. x De Tiege e . Carrette Legros b . et al .,“临床附加值那些将要动手术的磁源成像评价难治性局灶性癫痫,”《神经学、神经外科、精神病学,卷83,不。4、417 - 423年,2012页。视图:出版商的网站|谷歌学术搜索
6. s Kharkar r·诺尔顿,“在那些将要动手术的评价癫痫脑磁图描记术癫痫和行为,46卷,19-26,2015页。视图:出版商的网站|谷歌学术搜索
7. r . Wennberg d Cheyne,”梅格的可靠性源成像前颞峰值:特征分析颅内的关注,“临床神经生理学,卷125,不。5,903 - 918年,2014页。视图:出版商的网站|谷歌学术搜索
8. s b·威尔逊和r·爱默生“峰值检测:回顾和比较的算法,”临床神经生理学,卷113,不。12日,第1881 - 1873页,2002年。视图:出版商的网站|谷歌学术搜索
9. z, t·杉,s . Goto et al .,“自动峰值检测系统基于消除误报使用大面积上下文的头皮脑电图,”IEEE生物医学工程58卷,第2488 - 2478页,2011年。视图:出版商的网站|谷歌学术搜索
10. j . Gotman和p . Gloor自动识别和量化的发作癫痫活动在人类头皮脑电图,”脑电图与临床神经生理学41卷,第529 - 513页,1976年。视图:出版商的网站|谷歌学术搜索
11. t . p . Exarchos a . t . Tzallas d . i Fotiadis s Konitsiotis和s Giannopoulos“脑电图瞬态事件检测和使用关联规则分类,“IEEE在生物医学信息技术,10卷,第457 - 451页,2006年。视图:出版商的网站|谷歌学术搜索
12. m . Adjouadi m . Cabrerizo Ayala m . et al .,“一个新的数学方法基于正交运营商在致癫痫的发作峰值检测的数据,”生物医学科学仪器40卷,第180 - 175页,2004年。视图:谷歌学术搜索
13. k . p . Indiradevi,大肠埃利亚斯,p . s . Sathidevi n . s .迪和k . A . Radhakrishnan“多级小波方法的自动检测癫痫的脑电图,峰值”计算机在生物学和医学,38卷,第816 - 805页,2008年。视图:出版商的网站|谷歌学术搜索
14. A . t . Tzallas p s Karvelis c, d . Katsis d . i Fotiadis s Giannopoulos和s . Konitsiotis“瞬态事件分类的一种方法,在脑电图记录:应用癫痫诊断,”医学信息的方法,45卷,第621 - 610页,2006年。视图:谷歌学术搜索
15. 即居尔和e·d·Ubeyli”自适应神经模糊推理系统分类使用EEG信号的小波系数,”神经科学杂志》上的方法卷,148年,第121 - 113页,2005年。视图:出版商的网站|谷歌学术搜索
16. c . y . Liu, j .蔡,y太阳,“癫痫EEG数据的基于模型的峰值检测,”传感器13卷,第12547 - 12536页,2013年。视图:出版商的网站|谷歌学术搜索
17. r·诺瓦克m . Santiuste, a . Russi”向梅格飙升的定义:参数描述同时记录峰值的电极,梅格和深度”癫痫发作,18卷,不。9日,第655 - 652页,2009年。视图:出版商的网站|谷歌学术搜索
18. r . y Kakisaka, z . i . Wang Enatsu et al .,“脑电图的脑磁图描记术相关职位(积极睡眠枕锋利的瞬态),“临床神经生理学杂志:美国脑电图仪的学会的官方出版物,30卷,不。3,p。235年,2013年。视图:出版商的网站|谷歌学术搜索
19. p . Ossenblok j . c . de Munck a .结肠w . Drolsbach和p .恩,“脑磁图描记术更成功的筛查和本地化额叶癫痫脑电图,”Epilepsia,48卷,不。11日,第2149 - 2139页,2007年。视图:出版商的网站|谷歌学术搜索
20. U。艾登,j . Vorwerk p Kupper et al .,”梅格结合脑电图和重建的癫痫活动使用校准现实的容积导体模型,”《公共科学图书馆•综合》,9卷,不。第三条e93154, 2014年。视图:出版商的网站|谷歌学术搜索
21. j . Vorwerk j . h .赵s Rampp h·哈默尔,t·r·Knosche和c . h . Wolters”准则为头卷导体建模在脑电图和梅格,”科学杂志卷,100年,第607 - 590页,2014年。视图:出版商的网站|谷歌学术搜索
22. 人类。Schoffelen和j·格罗斯,”梅格和连通性分析EEG来源,”人类大脑图谱,30卷,不。6,1857 - 1865年,2009页。视图:出版商的网站|谷歌学术搜索
23. 佐藤,m . Balish, r . Muratore“脑磁图描记术原则”,临床神经生理学杂志,8卷,第156 - 144页,1991年。视图:出版商的网站|谷歌学术搜索
24. d . y . Ko, c . Kufta d . Scaffidi和佐藤,“源定位由脑磁图描记术和颞叶癫痫的脑电图:与electrocorticography:技术病例报告,“神经外科,42卷,第421 - 414页,1998年。视图:出版商的网站|谷歌学术搜索
25. d·科恩和b . n . Cuffin”示范magnetoencephalogram和脑电图,有用的差异”脑电图与临床神经生理学卷,56 38-51,1983页。视图:出版商的网站|谷歌学术搜索
26. m . Iwasaki e . Pestana r·c·伯吉斯h . o . Luders h . Shamoto和n . Nakasato”检测癫痫样的人类翻译活动:蒙蔽比较脑电图和脑磁图描记术,”Epilepsia,46卷,59 - 68年,2005页。视图:出版商的网站|谷歌学术搜索
27. j·j·哈尔福德”,计算机在头皮脑电图癫痫样的瞬态检测:阻碍进步和计算机心电图的例子解释,“临床神经生理学,卷120,不。11日,第1915 - 1909页,2009年。视图:出版商的网站|谷歌学术搜索
28. n . Acir Oztura, m . Kuntalp b . Baklan和c . Guzeliş”自动检测脑电图的癫痫样的事件三阶段过程基于人工神经网络,”IEEE生物医学工程,52卷,不。1,30 - 40,2005页。视图:出版商的网站|谷歌学术搜索
29. a . s . Gevins和a·雷蒙德方法分析脑电和磁信号,卷1爱思唯尔的科学有限,阿姆斯特丹,1987。
30. 哈立德,t . Alotaiby s a Aldosari et al .,”梅格癫痫峰值检测使用公共空间模式和线性判别分析,“IEEE访问4卷,第4634 - 4629页,2016年。视图:出版商的网站|谷歌学术搜索
31. a . Ossadtchi s Baillet j·c·莫舍d . Thyerlei w . Sutherling和r·m·莱希”自动发作峰值检测和源定位脑磁图描记术使用的依赖组件分析和时空聚类,“临床神经生理学,卷115,不。3、508 - 522年,2004页。视图:出版商的网站|谷歌学术搜索
32. j . Koza遗传规划:在计算机的编程通过自然选择美国马剑桥,麻省理工学院出版社,1992年。
33. p·g . Espejo、美国文图拉和f . Herrera”调查基因编程的应用分类,“IEEE系统,人,控制论,一部分C(应用程序和评论),40卷,不。2、121 - 144年,2010页。视图:出版商的网站|谷歌学术搜索
34. 朱m . w . Aslam z, a . k .南帝”的自动调制分类使用组合遗传编程和资讯,“IEEE无线通信,11卷,不。8,2742 - 2750年,2012页。视图:出版商的网站|谷歌学术搜索
35. NIST / SEMATECH,“电子帐册的统计方法,”2016年3月,http://www.itl.nist.gov/div898/handbook/。视图:谷歌学术搜索
36. t .封面和p·哈特,“最近邻模式分类,”IEEE信息理论,13卷,不。1,-,1967页。视图:出版商的网站|谷歌学术搜索
37. http://gplab.sourceforge.net/。
38. 哈立德,s . a . Aldosari s . a . Alshebeili t . Alotaiby m . h . Al-Hameed l . Jad,”梅格数据分类对健康和癫痫科目使用线性判别分析,”2015年IEEE信号处理和信息技术国际研讨会(ISSPIT),页360 - 363,阿布扎比,阿拉伯联合酋长国,2015年12月。视图:出版商的网站|谷歌学术搜索

版权

版权©2017 Turky n Alotaiby等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。