آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,116 |
| تعداد مقالات | 13,682 |
| تعداد مشاهده مقاله | 48,572,468 |
| تعداد دریافت فایل اصل مقاله | 12,336,726 |
پیش‌بینی حملات صرع با استفاده از پردازش سیگنال تغییرات نرخ ضربان قلب | ||
| پردازش سیگنال پیشرفته | ||
| مقاله 3، دوره 3، شماره 1 - شماره پیاپی 3، خرداد 1398، صفحه 25-33 اصل مقاله (1.29 MB) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jasp.2019.9178 | ||
| نویسندگان | ||
مرتضی پودینه1؛ مریم محبی  1؛ کوروش قره‌گوزلی2
| ||
| 1دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران | ||
| 2گروه مغز و اعصاب، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران | ||
| چکیده | ||
| صرع یک ناهنجاری عصبی است که به دلیل طبیعت نامعلوم و ناگهانی آن باعث ناراحتی و رنج جدی در بیمار می‌شود. در این مطالعه یک روش جدید برای پیش‌بینی صرع از طریق آنالیز تغییرات ضربان قلب (HRV) پیشنهاد می‌شود. از آنجایی‌که افزایش فعالیت عصبی نورون‌ها در دوره preictal بیماری صرع بر روی سیستم عصبی ارادی تاثیر می‌گذارد و سیستم عصبی ارادی نیز بر روی ضربان قلب تاثیر می‌گذارد می‌توان نتیجه گرفت که تشنج از طریق مانیتور کردن HRV قابل پیش‌بینی است. در روش پیشنهادی 12 ویژگی از سیگنال HRV در حوزه‌های زمان، فرکانس، زمان- فرکانس و غیر خطی برای پیش‌بینی تشنج صرعی استخراج شده است. برای تشخیص ناهنجاری از الگوریتم کنترل فرآیند آماری چند متغیره (MSPC) استفاده شده است. الگوریتم ارائه شده بر روی پایگاه داده بومی متشکل از 17 بیمار ارزیابی شده است و نتایج به دست آمده نشان می دهد که روش پیشنهادی قادر است با دقت % 88.2 حملات صرع را پیش بینی کند. از نظر عملی با توجه به سهولت اخذ سیگنال HRV، الگوریتم پیشنهادی نسبت به الگوریتم‌هایی که با استفاده از پردازش سیگنال‌های مغزی (EEG) به پیش بینی صرع می پردازند، امیدوارکننده‌تر است. | ||
| کلیدواژه‌ها | ||
| تغییرات ضربان قلب؛ پیش‌بینی؛ صرع؛ کنترل فرآیند چند متغیره | ||
| مراجع | ||
|
[1] J. Christensen, M. Vestergaard, M. G. Pedersen, C. B. Pedersen, J. Olsen, and P. Sidenius, “Incidence and prevalence of epilepsy in Denmark,” Epilepsy Research, vol. 76, pp. 60–65, 2007. [2] P. A. K. Wan, “Early identification of refractory epilepsy,” N Engl J Med, vol. 342, no. 5, pp. 314- 319, 1997. [3] A. S. Zandi, R. Tafreshi, M. Javidan, and G. A. Dumont, “Predicting epileptic seizures in scalp EEG based on a variational bayesian gaussian mixture model of zero-crossing intervals,” IEEE Trans. Biomed. Eng., vol. 60, no. 5, pp. 1401–1413, 2013. [4] L. Chisci, A. Mavino, G. Perferi, M. Sciandrone, C. Anile, and G. Colicchio, “Real-Time Epileptic Seizure Prediction Using AR Models and Support Vector Machines,” IEEE Trans. Biomed. Eng., vol. 57, no. 5, pp. 1124–1132, 2010. [5] M. Z. Parvez, and M. Paul, “Seizure Prediction using Undulated Global and Local Features,” IEEE Trans. Biomed. Eng., vol. 64, no. 1, pp. 208–217, 2017. [6] S. Sareen, S. K. Sood, and S. K. Gupta, “A Cloud-Based Seizure Alert System for Epileptic Patients That Uses Higher-Order Statistics,” Comput. Sci. Eng., vol. 18, no. 5, pp. 56–67, 2016. [7] S. Wang, W. A. Chaovalitwongse, and S. Member, “Online Seizure Prediction Using an Adaptive Learning Approach,” IEEE Trans. Knowl. Data Eng., vol. 25, no. 12, pp. 2854–2866, 2013. [8] K.S.Eggleston et al., “Ictal tachycardia: The head-heart connection,”Seizure, vol. 23, pp. 496–505, 2014. [9] C. Sevcencu and J. J. Struijk, “Autonomic alterations and cardiac changes in epilepsy,” Epilepsia, vol. 51, pp. 725–737, 2010. [10] D. H. Kerem and A.B. Geva, “Forecasting epilepsy from the heart rate signal,” Med. Biol. Eng.Comput., vol. 43, pp. 230-239, 2005. [11] K. Fujiwara et al., “Epileptic seizure monitoring by One-Class Support Vector Machine,” 2014 Asia-Pacific Signal Inf. Process. Assoc. Annu. Summit Conf. APSIPA 2014, pp. 5–8, 2014. [12] S. Behbahani, N. J. Dabanloo, A. M. Nasrabadi, G. Attarodi, C. A. Teixeira, and A. Dourado,“Epileptic Seizure Behaviour from the Perspective of Heart Rate,” Computing in Cardiology, vol. 39,pp.117–120, 2012 [13] G. Valenza et al., “Predicting Seizures in Untreated Temporal Lobe Epilepsy using Point-Process Nonlinear Models of Heartbeat Dynamics,” IEEE, pp. 985–988, 2016. [14] K. Fujiwara et al., “Epileptic Seizure Prediction Based on Multivariate Statistical Process Control of Heart Rate Variability Features,” IEEE Trans. Biomed. Eng., vol. 63, no. 6, pp. 1321–1332, 2016. [15] K. Schiecke, M. Wacker, D. Piper, and F. Benninger, “Time-variant, Frequency-Selective, Linear and Non-linear Analyses of Heart Rate Variability in Children with Temporal Lobe Epilepsy,” Biomed. Eng. IEEE Trans. (Volume61, Issue 6), vol. 61, no. 6, pp. 1798–1808, 2014. [16] A. J. Camm et al., “Guidelines heart rate variability—Standards of measurement, physiological interpretation, and clinical use,” Eur. Heart J., vol. 115, pp. 354–381, 1996. [17] R. E. Kleiger et al., “Decreased heart rate variability and its associationwith increased mortality after acute myocardial infarction,” Amer. J.Cardiol., vol. 59, pp. 256–262, 1987. [18] A. Malliani, “Cardiovascular neural regulation explored in the frequency domain,” Circulation, vol. 84, pp. 482–492, 1991. [19] E. Abe et al., “Development of drowsiness detectionmethod by integratingheart rate variability analysis and multivariate statistical process control,”SICE J. Control. Meas. Syst. Integr., vol. 9, no. 1, pp. 001–008, Jan. 2016. [20] J. Carvalho, A. Rocha, I. Santos, C. Itiki, L. Junqueira, and F. Nascimento, “A tool for time-frequency analysis of heart rate variability,” 23th IEEE EMBS Conference, pp. 2574-2577, 2003. [21] Huikuri, H.V., Makikallio, T.H., Peng, C.K., Goldberger, A.L., Hintze, U. and Moller, M."Fractal correlation properties of R-R interval cynamics and mortality in patients with depressed left ventricular function after an acute myocardial infraction,"Circulation, vol. 101, no.1, pp.47-53, 2000. [22] Yeh, R., Shieh, J., Han2, Y., Wang, Y., Tseng, S.,"Detrendet Fluctuation Analyses of shortterm heart rate variability in surgical intensive care units",Biomedical Engineering Applications , Basis & Communications, Vol.18, No.2 April 2006. | ||
|
آمار تعداد مشاهده مقاله: 571 تعداد دریافت فایل اصل مقاله: 481 |
||
