Abstract
Epilepsy is an electrophysiological disorder of the brain, characterized by recurrent seizures. Electroencephalogram (EEG) is a test that measures and records the electrical activity of the brain, and is widely used in the detection and analysis of epileptic seizures. However, it is often difficult to identify subtle but critical changes in the EEG waveform by visual inspection, thus opening up a vast research area for biomedical engineers to develop and implement several intelligent algorithms for the identification of such subtle changes. Moreover, the EEG signals are nonlinear and non-stationary in nature, which contribute to further complexities related to their manual interpretation and detection of normal and abnormal (interictal and ictal) activities. Hence, it is necessary to develop a Computer Aided Diagnostic (CAD) system to automatically identify the normal and abnormal activities using minimum number of highly discriminating features in classifiers. It has been found that nonlinear features are able to capture the complex physiological phenomena such as abrupt transitions and chaotic behavior in the EEG signals. In this review, we discuss various feature extraction methods and the results of different automated epilepsy stage detection techniques in detail. We also briefly present the various open ended challenges that need to be addressed before a CAD based epilepsy detection system can be set-up in a clinical setting
چکیده
صرع یک اختلال الکتروفیزیولوژیک مغز است که با تشنج های عود کننده مشخص می شود. منحنی هایی که توسط دستگاه ثبت امواج مغز ثبت می شود(EEG) یک تست است که فعالیت الکتریکی مغز را اندازه گیری و ثبت می کند، و به طور گسترده در شناسایی و تجزیه و تحلیل حملات صرع به کار می رود. با این حال، معمولاً شناسایی تغییرات ضعیف از مهم در شکل موج EEG با بررسی بصری مشکل است، در نتیجه یک زمینه ی تحقیقاتی گسترده برای مهندسان ایجاد شده است تا چند الگوریتم هوشمند برای تشخیص این تغییرات ضعیف ارائه و پیاده ساری کنند. علاوه براین، سیگنال های EEG ذاتاً غیرخطی و غیر ثابت هستند که به پیچیدگی تفسیر دستی و تشخیص فعالیت های طبیعی و غیر طبیعی (ایکتال یا اینترایکتال) می افزاید. به همین دلیل توسعه ی یک سیستم تشخیص به کمک کامپیوتر (CAD) ضروری است تا فعالیت های طبیعی و غیر طبیعی با استفاده از حداقل ویژگی های متمایز کننده در دسته بندی کننده، به طور خودکار تشخیص داده شود. مشخص شده است که ویژگی های غیر خطی می توانند پدیده های پیچیده فیزیولوژیک مثل انتقال ناگهانی و آشفتگی سیگنال EEG را نشان دهند. در این مرور کلی، جزئیات انواع روش های استخراج ویژگی و نتایج روش های مختلف تشخیص خودکار مراحل صرع را بررسی می کنیم. همچنین به طور خلاصه چالش های بی پاسخی را بررسی می کنیم که باید قبل از نصب سیستم تشخیص صرع مبتنی بر CAD در محیط بالینی، حل شوند.
1-مقدمه
صرع شایعترین اختلال عصبی است که 50 میلیون نفر در سراسر جهان به آن مبتلا هستند، و 85 درصد آنها به کشورهای درحال توسعه تعلق دارند. هر ساله حدود 2.4 میلیون مورد جدید نیز در سراسر جهان رخ می دهد. حداقل 50 درصد موارد صرع در دوران کودکی یا نوجوانی شروع می شود [124]. شروع ناگهانی در میان سالمندان نیز ممکن است دیده شود (افراد بالای 65 سال) [92]. احتمال مرگ زودرس افراد مبتلا به صرع نسبت به افراد معمولی دو تا سه برابر بیشتر است[124]...