هوش مصنوعی شناسایی واقع تشنج در زمان واقعی

محققان دانشگاه واشنگتن در سنت لوئیس ” McKelvey دانشکده مهندسی ترکیب هوش مصنوعی با سیستم های تئوری به منظور توسعه یک راه کارآمد تر برای تشخیص و شناسایی دقیق تشنج مبتلا به صرع در زمان واقعی است.

نتایج خود را منتشر شد مه 26 در مجله علمی, گزارش.

این تحقیقات از آزمایشگاه Jr-Shin Li استاد در پرستون M. سبز گروه برق و سیستم های مهندسی و به رهبری والتر Bomela یک همکار فوق دکترا در لی آزمایشگاه.

همچنین در تحقیقات تیم بودند Shuo Wang یک دانشجوی سابق لی و در حال حاضر دستیار استاد در دانشگاه تگزاس در آرلینگتون و چو-چو یک از دانشگاه.

“روش ما اجازه می دهد تا ما را به دریافت داده های خام آن را پردازش و استخراج ویژگی های است که بیشتر آموزنده برای ماشین مدل یادگیری به استفاده از” Bomela گفت. “مزیت عمده رویکرد ما به فیوز سیگنال از 23 الکترود به یک پارامتر است که می تواند کارآمد پردازش با مقدار کمتر در محاسبات منابع است.”

در علم مغز درک فعلی از بسیاری از تشنج است که آنها رخ می دهد که فعالیت طبیعی مغز قطع شده است قوی ناگهانی hyper-همزمان شلیک خوشه ای از سلول های عصبی. در طول تشنج اگر یک فرد متصل به یک electroencephalograph — یک دستگاه شناخته شده به عنوان EEG است که اندازه گیری الکتریکی خروجی — این فعالیت غیر طبیعی مغز است که به عنوان تقویت سنبله-و-موج ترشحات.

“اما تشخیص تشنج دقت است که خوب نیست که زمانی سیگنال های EEG استفاده می شود” Bomela گفت. تیم طراحی و توسعه یک شبکه استنتاج روش به منظور تسهیل در تشخیص تشنج و با دقت اشاره کردن محل خود را با بهبود دقت و صحت.

در طول EEG جلسه یک فرد الکترودهای متصل به نقاط مختلف بر خود سر هر ضبط فعالیت الکتریکی در اطراف آن نقطه است.

“برخورد ما با الکترودهای EEG به عنوان گره های یک شبکه است. با استفاده از ضبط (زمان-سری داده ها) از هر گره ما را توسعه داده محور رویکرد برای پی بردن به زمان های مختلف ارتباطات در شبکه و یا روابط بین گره” Bomela گفت. به جای اینکه به دنبال صرفا در EEG داده ها-قله ها و نقاط قوت فردی سیگنال — شبکه روش در نظر روابط است. “ما می خواهیم برای پی بردن به چگونگی یک منطقه مغز که در برقراری ارتباط با دیگران,” او گفت:.

آن است که مجموع این روابط که به صورت شبکه.

هنگامی که شما یک شبکه شما می توانید اندازه گیری پارامترهای آن بطور همه جانبه. مثلا به جای اندازه گیری قدرت یک سیگنال شبکه به طور کلی می توان برای ارزیابی قدرت است. وجود یک پارامتر به نام Fiedler eigenvalue است که از خاص استفاده کنید. “هنگامی که یک تشنج اتفاق می افتد, شما این پارامتر شروع به افزایش” Bomela گفت.

و در شبکه های تئوری Fiedler eigenvalue نیز مربوط به یک شبکه همزمانی — بزرگتر ارزش بیشتری به شبکه سنکرون. “این موافق با این نظریه که در طول تشنج, فعالیت مغز, هماهنگ,” Bomela گفت.

تعصب نسبت به هماهنگ سازی نیز کمک می کند تا از بین بردن مصنوع و سر و صدای پس زمینه. اگر یک فرد مثلا خراش بازوی خود را در ارتباط با فعالیت های مغزی خواهد بود اسیر در برخی از الکترودهای EEG یا کانال. آن را نمی خواهد اما می توان همزمان با تشنج. در راه است که این شبکه ساختار ذاتا کاهش اهمیت نامربوط سیگنال; تنها مغز فعالیت هایی است که در همگام سازی باعث افزایش قابل توجهی از Fiedler eigenvalue.

در حال حاضر این روش کار می کند برای یک فرد بیمار است. گام بعدی این است که برای ادغام یادگیری ماشین با تعمیم این روش برای شناسایی انواع مختلف تشنج در سراسر بیماران.

ایده این است به استفاده از پارامترهای مختلف توصیف شبکه و استفاده از آنها به عنوان ویژگی های آموزش یادگیری ماشین الگوریتم.

Bomela تشبیه راه این کار به صورت نرم افزار تشخیص که اقدامات ویژگی های مختلف — چشم و لب و غیره — تعمیم از آن نمونه به رسمیت شناختن هر صورت.

“شبکه مانند یک چهره” او گفت:. “شما می توانید استخراج پارامترهای مختلف از یک فرد شبکه — مانند خوشه ضريب یا نزدیکی مرکزیت — برای کمک به یادگیری ماشین افتراق بين انواع تشنج.”

دلیلش این است که در شبکه نظریه شباهت در پارامترهای خاص در ارتباط با شبکه های خاص. در این مورد این شبکه خواهد شد مربوط به انواع مختلف تشنج.

یک روز یک فرد مبتلا به یک اختلال تشنج می توانید یک دستگاه شبیه به یک پمپ انسولین. به عنوان سلول های عصبی شروع به همگام سازی دستگاه را تحویل دارو و یا دخالت های الکتریکی برای جلوگیری از تشنج در آهنگ های خود را.

قبل از این اتفاق می افتد محققان نیاز به یک درک بهتر از شبکه عصبی.

“در حالی که هدف نهایی این است برای تصحیح این روش برای استفاده بالینی در حال حاضر تمرکز ما روی توسعه روش های برای شناسایی تشنج به عنوان تغییرات شدید در فعالیت مغز” لی گفت. “این تغییرات دستگیر درمان مغز به عنوان یک شبکه در حال حاضر ما روش.”

tinyurlis.gdv.gdv.htclck.ruulvis.net

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *