صادق سلیمانی

داده‌های مرتبط با بیماری‌های مغز از روش‌های مختلف و در قالب‌های متنوعی تهیه می‌شوند که از جمله آن می‌توان به داده‌های بالینی و اطلاعات سلامت بیماران (EHR)، تصویربرداری مغزی، اطلاعات ژنتیکی و سری‌های زمانی حاصل از ثبت علایم اشاره کرد. ثبت علایم مغز که عمدتا در قالب سری‌های زمانی است، تاکنون به صورت وسیع برای تشخیص انواع بیماری‌ها توسط روش‌های یادگیری ماشین مورد بررسی قرار گرفته است. نگاه گرافی به داده‌های سری زمانی مرتبط با مغز در ده سال اخیر رواج فراوانی یافته است، که رایج‌ترین شکل آن، تبدیل سری زمانی سیگنال‌های مغز به گراف پدیداری است و به این ترتیب تحلیل گراف پدیداری مغز برای بیماری‌های آن، اکنون روشی کارآمد و شناخته شده به حساب می‌آید. این پایان‌نامه به بررسی روش‌های نوین تحلیل و طبقه‌بندی سیگنال‌های الکتروانسفالوگرام (EEG) به منظور تشخیص خودکار تشنج در بیماران مبتلا به صرع می‌پردازد. صرع یک بیماری مغزی شایع است که باعث بروز حملات تشنجی می‌شود. مجموعه‌داده استفاده شده در این پژوهش در دانشگاه بون به‌دست‌آمده و به صورت عمومی در دسترس است. این مجموعه داده شامل پنج گروه است که ما به بررسی دقت تشخیص در بین دو گروه D و E که به ترتیب برای افراد مبتلا به صرع در فواصل بدون تشنج و تشنج است، خواهیم پرداخت. تشخیص تشنج صرع مبتنی بر EEG است که الگوهای پیچیده فعالیت‌های الکتریکی مغز را ثبت می‌کند. تحلیل دستی EEG برای تشخیص تشنج زمانبر و خطاپذیر است. در این پژوهش ابتدا به معرفی ساختار و عملکرد مغز و نقش سیگنال‌های EEG در بررسی اختلالات مغزی پرداخته می‌شود. سپس اهمیت تشخیص به‌موقع تشنج و چالش‌های موجود در تحلیل دستی EEG مورد بحث قرار می‌گیرد. آنگاه مجموعه داده مورد بررسی به گراف پدیداری افقی تبدیل می‌شود و برای افزایش کیفیت تبدیل، از پیش‌بینی پیوند برای بهبود ساختار شبکه ایجاد شده بهره گرفته می‌شود. آنگاه نسبت به شناسایی و استخراج مؤثرترین ویژگی‌های گراف‌های حاصل شده مشتمل بر جمله ضریب خوشه‌بندی، چگالی و شاخص پیچیدگی اقدام می‌شود. سپس با به‌کارگیری الگوریتم‌های مختلف طبقه‌بندی،SGD، KNN و SVM با کرنل RBF تشنج در بیماران مبتلا به صرع تشخیص داده می‌شود. نتایج حاکی از تأثیر مثبت بهبود ساختار شبکه با پیش‌بینی پیوند، قبل از اعمال روش‌های طبقه‌بندی و حصول دقت بالاست. این شیوه نسبت به سایر روش‌های تشخیص محاسباتی بیماری‌های مغز دارای پیچیدگی زمانی کمتر و کارآمدی بالاتر است و می‌تواند به پزشکان در تشخیص سریع‌تر صرع و کنترل حملات تشنجی کمک کند. در نهایت با توجه به تنوع روش‌های پیش‌بینی پیوند و انتخاب ویژگی و همچنین بیماری‌های مختلف مرتبط با مغز که داده در قالب سری زمانی دارند، می‌توان توسعه‌های آتی متنوعی برای این پژوهش تعریف نمود.