شبیه سازی آموزشی مقاله تشخیص آگاهی تحت بیهوشی الکتروانسفالوگرافی با پایتون

توضیحات

شبیه سازی آموزشی مقاله تشخیص آگاهی تحت بیهوشی الکتروانسفالوگرافی با پایتون

چکیده مقاله:

الکتروانسفالوگرام خود به خود (EEG) و پتانسیل های برانگیخته شنوایی (AEP) برای نظارت بر سطح هوشیاری در طول بیهوشی پیشنهاد شده است. از آنجایی که هر دو سیگنال مسیرهای عصبی متفاوتی را منعکس می کنند، ترکیبی از پارامترهای هر دو سیگنال ممکن است اطلاعات گسترده تری در مورد وضعیت مغز در طول بیهوشی ارائه دهد. انتخاب پارامتر و ترکیب مناسب برای یک شاخص واحد برای استفاده از این پتانسیل بسیار مهم است. حوزه یادگیری ماشین الگوریتم هایی را هم برای انتخاب پارامتر و هم برای ترکیب ارائه می دهد. در این مطالعه، چندین رویکرد یادگیری ماشین از جمله روشی برای انتخاب پارامترهای سیگنال مناسب و الگوریتم‌های طبقه‌بندی برای ساخت شاخصی استفاده می‌شود که پاسخگویی را در بیماران بیهوش پیش‌بینی می‌کند. تحلیل حاضر چندین الگوریتم طبقه‌بندی را در نظر می‌گیرد، از جمله ماشین‌های بردار پشتیبان، شبکه‌های عصبی مصنوعی و الگوریتم‌های یادگیری بیزی. بر اساس داده‌های انتقال بین هوشیاری و بی‌هوشی، ترکیبی از پارامترهای سیگنال EEG و AEP که با روش‌های خودکار ایجاد شده‌اند، حداکثر احتمال پیش‌بینی 0.935 را فراهم می‌کند که بالاتر از 0.916 (برای پارامترهای EEG) و 0.880 (برای پارامترهای AEP) است. با استفاده از روش اعتبارسنجی متقابل این نشان می‌دهد که تکنیک‌های یادگیری ماشین را می‌توان با موفقیت برای توسعه پارامتر EEG و AEP ترکیبی بهبودیافته برای جداسازی هوشیاری از ناهشیاری به کار برد. انجام پروژه پایتون

مقدمه
از جمله معیارهای بیهوشی عمومی فقدان هوشیاری و یادآوری است. تا کنون، نظارت استاندارد بیهوشی بر اساس غلظت دارو و اثرات غیر اختصاصی است، به عنوان مثال. ضربان قلب. پیشنهاد شده است که نظارت باید اندام هدف بیهوشی یعنی مغز را ارزیابی کند. الکتروانسفالوگرام خود به خودی (EEG) و پتانسیل های برانگیخته شنوایی (AEP) برای نظارت بر بیهوشی استفاده شده است [1-14]. از آنجایی که تفسیر بلادرنگ EEG “خام” دشوار است، تجزیه و تحلیل های کمی برای استخراج مقادیر عددی (پارامترهای سیگنال) برای ایجاد EEG یا AEP به عنوان یک مانیتور آنلاین مورد نیاز است. چنین مانیتورهایی وارد عمل بالینی شده اند و مزایایی در مقایسه با مراقبت های معمول نشان داده شده است [15، 16]. نکاتی وجود دارد که برخی از روش های تجاری موجود ممکن است در حضور عوامل مسدودکننده عصبی عضلانی استفاده محدودی داشته باشند [17]. بنابراین نیاز به بهبود روش های نظارت وجود دارد. ترکیبی از چندین پارامتر سیگنال که جنبه‌های مختلف پویایی مغز را به یک نشانگر منعکس می‌کند، می‌تواند مفید باشد، زیرا هر پارامتر ممکن است اطلاعات اضافی مرتبط با اثر داروی بی‌حس کننده را ارائه دهد. چندین پارامتر منفرد و اصلاحات آنها شرح داده شده است. با پارامترهای زیادی در دست، تعداد زیادی از ترکیب‌های ممکن، ارزیابی همه زیرمجموعه‌های مختلف را ممنوع می‌کند. علاوه بر این، نحوه ترکیب پارامترها به روشی معقول مشخص نیست. برخی از راه‌های انجام این کار استفاده از رگرسیون لجستیک [12] یا استنتاج فازی [5، 6] است. حوزه علوم کامپیوتری یادگیری ماشین روش هایی را برای مقابله با داده های با ابعاد بالا و پر سر و صدا برای طبقه بندی و رگرسیون ارائه می دهد [18-21]. چنین روش‌هایی مبتنی بر رویکردهای مختلفی هستند، از روش‌های با انگیزه آماری گرفته تا الگوریتم‌هایی که از سیستم‌های بیولوژیکی تقلید می‌کنند. به نظر می رسد که این نویدبخش ادغام و ارزیابی پارامترهای EEG و AEP در نظارت بر بیهوشی باشد. این تحقیق شاخص های ترکیبی مشتق از یادگیری ماشینی را ارزیابی می کند. تجزیه و تحلیل سیگنال بر اساس داده های بلافاصله قبل و بعد از از دست دادن و بازگشت هوشیاری از یک پایگاه داده EEG/AEP است که در طول مطالعه بیمار ثبت شده است [12]. فرضیه ای که باید ارزیابی شود این است که رویکردهای یادگیری ماشینی می توانند پارامترهای مختلف EEG را به روشی پیچیده ترکیب کنند که هنگام تلاش برای جداسازی هوشیاری از ناهشیاری، عملکرد را بهبود می بخشد. مطالعه می تواند نشان دهد که این رویکرد امکان پذیر است. گرایش های قطعی در اندازه گیری های عملکرد نشان می دهد که روش ارائه شده در اینجا امیدوارکننده است.

بخشی از فایل آموزشی

– مقدمه

در این شبیه سازی ما به دنبال پیاده سازی الگوریتم موجود در مقاله مرجع، با استفاده از دیتای در نظر گفته شده هستیم. دیتای استفاده شده، سیگنال EEG مربوط به 27 فردی می باشند که در معرض رانندگی به واقعیت مجازی قرار گرفته اند. سیگنال EEG مربوط به این افراد در event های مختلف ثبت و اندازه گیری شده است (شکل 1)

• 

با توجه به شکل بالا در دیتای ثبت شده 2 نوع event یا کلاس اصلی  وجود دارد که در افراد مختلف با یکدیگر متفاوت می باشد، سیگنال EEG بین deviation onset left or right تا response onset (کلاس 1) و سیگنال EEG بین response onset تا response offset(کلاس 2). ما این دو قسمت را به عنوان به دو کلاس مختلف در نظر گرفتیم و با استفاده از الگوریتم موجود در مقاله سعی در تفکیک این دو کلاس از یک دیگر می باشیم.

2- پیش پردازش

با توجه به این یک دیتا از فرمت .set می باشد و این فرمت از فرمت های موجود در EEGlab هستش، ابتدا با استفاده از متلب این دیتا ها را خوانده و برای راحتی آنالیز تغییر نام دادیم از شماره 1 الی 27، سپس آن ها وارد پایتون کردیم. با توجه به مقاله مرجع، در قسمت پیش پردازش از سه مرحله : بالاگذر، 1- حذف مقادیر سیگنال بالای 250 میکرو ولت 2- حذف سیگنال هایی که تغییرات آن در ثانیه بیشتر از 140 میکرو ولت می باشد. 3- حذف مقادیر ثابت در سیگنال با استفاده از فیلتر

2-1- فراخوانی کتابخانه ها

برای امکان به کاربردن توابع مورد نیاز در کد نویسی، ابتدا لازم است کتابخانه های دارای این توابع را به صورت زیر فراخوانی کنیم.

import scipy.io as sio

from scipy import signal as sig

import matplotlib.pyplot as plt

import numpy as np

import antropy as ant

 

3- استخراخ ویژگی

پس از پیش پردازش با توجه به مقاله مرجع، برای کلاسبندی even های موجود در دیتا، از 7 ویژگی:

1. Weighted Spectral Median Frequency (WSMF)
2. quotient of WSMF (qWSMF)
3. Spectral Entropy (Sen)
4. Hurst Exponent (Hex)
5. Approximate Entropy (ApEn)
6. Lempel-Ziv Complexity (LZc)
7. Permutation entropy (PeEn)

استفاده شده است و این ویژگی از سیگنال EEG الکترود قرار داده شده در قسمت temporal استخراج می شوند. با توجه به دیتا،  سیگنال مربوط به الکترود 13 ام که T3می باشد برای استخراج ویژگی مورد استفاده قرار گرفته است. کد نویسی مربوط به قسمت پیش پردازش و استخراج ویژگی در پایین نشان داده شده است.

برای قسمت پیش پردازش، ما 3 مرحله از پیش پردازش سیگنال (مراحلی که در بالا بیان شدند) را با استفاده از تعریف تابع pre_proc  به صورت پایین انجام می دهیم.

 

شبیه سازی آموزشی مقاله تشخیص آگاهی تحت بیهوشی الکتروانسفالوگرافی با پایتون توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.

• فایلهای پروژه به صورت کامل پس از خرید فا یل بلافاصله در اختیار شما قرار خواهد گرفت.

سفارش پروژه مشابه

درصورتیکه این پروژه دقیقا مطابق خواسته شما نمی باشد، با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.

سفارش پروژه متلب