Abstract
This paper analyzes the underlying complexity and non-linearity of electroencephalogram (EEG) signals by computing a novel multi-scale entropy measure for the classification of seizure, seizure-free and normal EEG signals. The quality factor (Q) based multi-scale entropy measure is proposed to compute the entropy of the EEG signal in different frequency-bands of interest. The Q -based entropy (QEn) is computed by decomposing the signal with the tunable-Q wavelet transform (TQWT) into the number of sub-bands and estimating K-nearest neighbor (K-NN) entropies from various sub-bands cumulatively. The optimal selection of Q and the redundancy parameter (R) of TQWT showed better robustness for entropy computation in the presence of high- and low-frequency components. The extracted features are fed to the support vector machine (SVM) classifier with the wrapper-based feature selection method. The proposed method has achieved accuracy of 100% in classifying normal (eyes-open and eyes-closed) and seizure EEG signals, 99.5% in classifying seizure-free EEG signals (from the hippocampal formation of the opposite hemisphere of the brain) from seizure EEG signals and 98% in classifying seizure-free EEG signals (from the epileptogenic zone) from seizure EEG signals, respectively, using the SVM classifier. We have also achieved classification accuracies of 99% and 98.6% in classifying seizure versus non-seizure EEG signals and the individual three classes, namely normal, seizure-free and seizure EEG signals, respectively. The performance measure of the proposed multi-scale entropy has been found to be comparable with the existing state of the art epileptic EEG signals classification methods studied using the same database
چکیده
این مقاله پیچیدگی و ویژگی غیرخطی بودن سیگنال‌های موج نگاری مغز (EEG) را با محاسبه یک معیار انتروپی چندمقیاسی جدید به‌منظور دسته‌بندی سیگنال‌های مربوط به حملات صرع، سیگنال‌های غیر حمله‌ای و سیگنال‌های نرمال، مورد تجزیه‌وتحلیل قرار می‌دهد. معیار انتروپی چندمقیاسی مبتنی بر فاکتور کیفیت (Q) برای محاسبه انتروپی سیگنال EEG در باندهای فرکانسی مختلف پیشنهاد می‌شود. انتروپی مبتنی Q ( QEn) با تجزیه سیگنال به کمک تبدیل موجک Q ی قابل تنظیم (TQWT) به یک سری زیر باند و تخمین نزدیک‌ترین k انتروپی مجاور (K-NN) از روی زیر باندهای مختلف، محاسبه می‌گردد. انتخاب بهینه Q و پارامتر افزونگی (R) برای TQWT مقاومت بهتری را برای محاسبه انتروپی در حضور مؤلفه‌های فرکانس بالا و پایین نشان می‌دهد. ویژگی‌های استخراج شده به روش دسته‌بندی ماشین بردار پشتیبان (SVM) با روش انتخاب ویژگی مبتنی بر wrapper اعمال می‌شود. روش پیشنهادی به‌دقتی برابر 100% در تفکیک سیگنال‌های نرمال (چشم‌باز و چشم‌بسته) و سیگنال‌های EEG ی حمله‌ای، 99.5% در دسته‌بندی سیگنال‌های EEG ی غیر حمله‌ای (از تشکیل hippocampal در نیمکره مخالف مغز) از سیگنال‌های EEGی حمله‌ای و 95% در دسته‌بندی سیگنال‌های EEG ی غیر حمله‌ای (از ناحیه epileptogenic) از سیگنال‌های EEG ی حمله‌ای دست یافته است. همچنین دقت دسته‌بندی 99% و 98.6% به ترتیب در دسته‌بندی سیگنال‌های حمله‌ای در مقایسه با سیگنال‌های غیر حمله‌ای حاصل می‌گردد. معیار عملکرد انتروپی چندمقیاسی پیشنهادی با روش‌های کنونی مورد استفاده برای دسته‌بندی سیگنال‌های EEG ی حمله‌ای با استفاده از مجموعه داده‌های یکسان، قابل رقابت است.
1-مقدمه
در سرتاسر دنیا، حدود 60 میلیون نفر به بیماری صرع مبتلا هستند که نشان‌دهنده وقوع حملات پی‌درپی صرع به خاطر فعالیت همزمان بیش‌ازحد دسته‌های عصبی در مغز است. سیگنال‌های موج نگاری مغزی (EEG) به‌عنوان ابزارهای متداول و کم‌هزینه برای شناسایی حملات صرع مورد استفاده قرار می‌گیرد. مانیتورینگ دستی سیگنال‌های EEG برای شناسایی حملات صرع یک روش زمان‌بر است حتی برای عصب شناسان با تجربه. بنابراین، روش‌های مکانیزه شناسایی حملات مبتنی بر تکنیک‌های پردازش سیگنال پیشرفته به میزان زیادی بار محاسباتی مربوط به مانیتورینگ سیگنال‌های بلند EEG را توسط متخصصین بالینی، کم می‌کند. مطالعات متعددی در زمینه توسعه سیستم‌های مکانیزه صورت گرفته است که ویژگی‌های متمایز را برای دسته‌بندی سیگنال‌های EEG ی حمله‌ای استخراج می‌کند. دسته‌بندی سیگنال‌های EEG ی حمله‌ای با استخراج سیگنال‌های غیر ایستا و غیرخطی در مطالعات قبلی، صورت گرفته است. در [2]، نویسنده‌ها از روش نمایش فضای فاز برای توابع مود ذاتی (IMFها) به‌عنوان ویژگی‌ها استفاده کرده و به‌دقت دسته‌بندی 98.67% در دسته‌بندی سیگنال‌های EEG ی حمله‌ای از غیر حمله‌ای دست یافته‌اند. در [3]، توابع مشارکت پهنای باند که ناشی از مدولاسیون‌های دامنه و فرکانس IMF ها است به‌عنوان ویژگی‌های مورد نیاز برای دسته‌بندی سیگنال‌های EEG ی حمله‌ای و غیر حمله‌ای با دقت 99.5 تا 100% مورد استفاده قرار گرفته است. دسته‌بندی سیگنال EEG ی حمله‌ای با استخراج ویژگی‌های سطحی از روی نمودار تفاضل مرتبه دوم و نمایش سیگنال تحلیلی IMF ها که از روی سیگنال‌های EEG با استفاده از تجزیه مود عملی (EMD) استخراج می‌شوند در [4] پیشنهاد شده است. روش‌های تجزیه سیگنال غیر ایستا و تحلیل حوزه فرکانس-زمان‌برای دسته‌بندی سیگنال‌های EEG ی حمله‌ای به صورت گسترده مورد بررسی قرار گرفته است. در [5]، ویژگی‌های استخراج شده از توزیع‌های فرکانس-زمان، با عنوان توزیع Wigner–Ville و تبدیل فوریه زمان کوتاه (STFT) برای دسته‌بندی سیگنال‌های EEG ی حمله‌ای با کمک روش دسته‌بندی شبکه عصبی مصنوعی مورد استفاده قرار گرفته است. نویسنده‌های این مقاله به‌دقت دسته‌بندی 100% در دسته‌بندی سیگنال‌های EEG ی حمله‌ای از سیگنال‌های EEGی نرمال دست یافته‌اند. Acharya و همکارانش در [6] ویژگی‌های بافتی را از تصاویر تراکمی سیگنال‌های EEG را با ویژگی‌های طیفی مرتبه بالا (HOS) استخراج کرده و سیگنال‌های حمله‌ای، غیر حمله‌ای و نرمال را با دقت دسته‌بندی 96% دسته‌بندی کرده‌اند. در [7]، نویسنده‌ها تبدیل موجک را روی سیگنال‌های EEG به‌منظور تجزیه به ویژگی‌های استاتیکی محاسبه شده و زیر باندی از روی ویژگی‌های زیر باندی، اعمال کرده‌اند. ابعاد داده‌های با استفاده از تحلیل تشخیص خطی (LDA)، تحلیل مؤلفه مستقل (ICA) و تحلیل مؤلفه اساسی (PCA) و درنهایت با استفاده از ماشین بردار پشتیبان (SVM) کاهش یافته است و بیشترین دقت دسته‌بندی برابر 100% در دسته‌بندی سیگنال‌های EEG ی حمله‌ای و غیر حمله‌ای، حاصل شده است. در [8]، سیگنال‌های EEG ی حمله‌ای با استفاده از تبدیل موجک گسسته دسته‌بندی شده و روش ابعاد فرکتال نیز در ادامه روی آن اعمال شده است...