Epilepside EEG Tabanlı Entropi Değişimleri

Transkript

1 TURKMIA 9 Proceedngs 7 VI. Ulusal Tıp Blşm Kongres Bldrler ENMI Vol V No 1, 9 Eplepsde EEG Tabanlı Entrop Değşmler b c Serap 1 AYDINa,1, H.Melh SARAOĞLU, Sadık KARA a Elektrk-Elektronk Müh Böl, Ondokuz Mayıs Ünverstes, Samsun b Elektrk-Elektronk Müh Böl, Dumlupınar Ünverstes, Kütahya c Byomedkal Müh Ensttüsü, Fath Ünverstes, İstanbul Abstract. In the present study, t s shown that entropy approaches are useful to measure the degree of EEG complexty where both normal and epleptc EEG seres are classfed by usng artfcal neural-networks. Shannon Entropy, Sample Entropy and LogEnergy Entropy (LogEn) are used to calculate the entropy values of clncal records. The results show that, the LogEn, whch has not been performed yet, provdes the best performance to measure the degree of EEG complexty n sezure. Keywords. EEG, Entropy, Neural-Network, Eplepsy EEG Based Entropy Changes n Eplepsy Özet. Bu çalışmada, normal ve epleptk EEG serler, yapay-snr ağları le sınıflandırılarak entrop yaklaşımının EEG karmaşıklığını ölçmede kullanışlı br yöntem olduğu gösterlmştr. Klnk kayıtların entrop değerler Shannon yaklaşımı, Örnek yaklaşımı ve LogEnergy yöntem kullanılarak hesaplanmıştır. Sonuçlar, daha önce epleps tanısında kullanımına rastlamadığımız LogEnergy yöntemnn Anahtar Kelmeler. EEG, Entrop, Yapay Snr Ağları, Epleps Grş Beynn ürettğ elektrksel potansyeller gösteren EEG snyaller, tüm vücudun nörofzyolojk ve psko-fzyolojk durumu hakkında blg taşır [1]. Bu yüzden klnk uygulamalarda destekleyc tanı aracı olarak kullanılır. Çıplak gözle fark edleblen EEG değşmlernn yanı sıra, özel snyal şleme teknkleryle EEG kayıtlarının karakterze edlmes yaygın, kullanışlı ve htyaç duyulan br araştırma alanıdır. Bu çalışmada, epleptk ve ktal EEG kayıtlarının entrop değerler hesaplanarak EEG karmaşıklığını ölçmedek başarıları yapay snr ağları (YSA) yaklaşımıyla test edlmştr. 1 Sorumlu Yazar: Ondokuz Mayıs Ünverstes, Kurupelt SAMSUN; E-posta: saydn@omu.edu.tr, drserapaydn@hotmal.com.

2 71 Genel br bakışla EEG analz lteratüründe en cazp ve yaygın uygulamanın epleps hastalığı üzerne olduğunu görürüz [-4]. Epleps hastalığı ataklarla seyreden br nörolojk bozukluktur. Atak sırasında büyük genlklerde ve kontrol edlemez elektrksel aktvteler oluştuğu gözlenr [5]. Yanı sıra, mgren, kafa travması ve kardyak artm gb psko-fzyolojk durum bozuklukları da sara ataklarında gözlenen senkron aktvtelere benzer parokssmal ataklara neden olablmektedr [5]. Bu yüzden, çeştl doğrusal olmayan byomedkal snyal analz yaklaşımlarıyla EEG karakterzasyonu ve/veya sınıflandırılması araştırma konusu haln almıştır. Bu yöntemler arasında Kolmogorov Entrop (KolEn) [6], Yaklaşık entrop (Approxmate Entropy (ApEn)) [7], ve Dağılımsal entrop [8] sayılablr. Bu çalışmaların her brnde kortkal ve ntrakortkal EEG serlernn entrop değerler farklı br yöntemle hesaplanmış ve normal EEG serlernden ayırt etmedek başarıları se statstksel br test olan t-test yaklaşımıyla değerlendrlmştr. Sözü geçen bu üç çalışmanın ortak sonucu se sara atakları sırasında beynn ürettğ elektrksel salınımların entrop değerlernde tanı destekleyc karakterzasyonu sağlayacak br değşm olduğudur. Kullanılan her üç entrop yöntemnn temel özellkler aynı olsa da sayısal EEG snyallernn şlenmesnde farklı ölçütlerdr: KolEn yöntem, zaman serlernn Lyapunov üstelleryle lşkldr. Oysa ApEn yaklaşımı, br zaman sersnn çnde oluşan yüksek genlkl ve tahmn edlemeyen anda oluşan an sıçramaların statstksel düzenllğn ölçer. Dolayısıyla, her br yöntemn, klnk EEG grupları le bu grupların entrop değerler arasındak statstksel korelasyon sevyesn ölçme yeteneğ farklıdır. Lteratürde, ApEn yaklaşımı le hesaplanan entrop değerlernn Elman Netwok çn %84, Olasılıksal Network çn %77 doğrulukta epleptk EEG sınıflandırması sağladığını görürüz [9]. Sunduğumuz bu çalışmada se entrop değerler, epleps araştırmalarında uygulamasına rastlamadığımız LogEn yöntem kullanılarak hesaplanmıştır. Snyal tanımlayıcı özellkler olarak değerlendrlen entropler YSA uygulanmasıyla %99.5 doğrulukta performans sağlamıştır. LogEn yaklaşımının yanı sıra Shannon entrop (ShanEn) ve Örnek Entrop (Sample Entropy (SamEn)) yöntemler normal, epleptk ve ktal EEG kayıtlarına uygulanarak sağlık durumuna bağlı EEG değşmn ölçmedek başarıları kıyaslanmıştır. En y entrop yöntemnn belrlenmesnde se YSA yaklaşımına göre her br yöntemn sağladığı EEG sınıflandırma performansları hata ölçütü olarak kabul edlmştr. 1. Gereç ve Yöntem 1.1. Ver Toplama ve Kayıt Özellkler Bu çalışmada analz edlen EEG serler, Bonn Ün., Epleptoloj Bölümünün ver bankasından yüklenmştr [1]. Detaylı kayıt özellkler referansta verlen [11] setler arasından normal, epleptk ve ktal kayıtlar kullanılmıştır. Kısaca bu setlern taşıdığı özellkler lstelendğ gbdr: Set-A: Uyanık ve gözler açık oturan beş sağlıklı gönlüden toplanmış kafa yüzey kayıtlarını çerr. Set-D: Kesn klnk tanısı epleps olan beş ayrı hastadan, sara atağı geçrmedkler br saat dlmnde, epleptogenk bölgeden cerrah operasyonla toplanmış ntrakortkal kayıtları çerr. Set-E: Ataklar sırasında toplanmış dern elektrot kayıtlarıdır. Bu setlern tümü çn kullanılan 18- kanallı kayıt sstemnde 1-bt A/D dönüştürücü yer alır. Örnekleme frekansı Hz dr. Band-geçren fltre aralığı se.53 4 Hz (1 db/octave) dr.

3 7 1.. Entrop Yöntemler Sonlu uzunlukta sayısal br rastgele değşkenn olasılık dağılım fonksyonu p ( x ) le smgelendğnde, bu değşkenn entrops aşağıdak eştlkle hesaplanır [1]: H( x ) = N 1 p ( x )log ( p ( x )) Shannon yaklaşımında se aşağıdak gb logartmk beklent le bulunur [13], H ShanEn( x ) = Ε { log ( p( x ))} Shannon yaklaşımı, Enformasyon Teorsne dayanır. Br sstemn tahmn edleblr davranışlarını, Shannon ve LogEn yöntemler aşağıdak eştlklerle ölçer [14]: N 1 ShanEn )) N 1 LogEn )) H ( x) = ( p ( x) ) ( log ( p ( x ), H ( x ) = ( log ( p ( x ) Bu çalışmada uygulanan dğer entrop yaklaşımı, SamEn yöntem aynı değşken, x m () = [ x() x( + 1) K x(m + 1) ] vektörlern oluşturarak pencereler. x ve m( ) x m( j ) arasındak uzaklık çn, d ( x ( ),x ( + 1) ) = max ( x( + k ) x( j k )) m m + k=,..., m 1 N m, j). Böylece, k sernn m nokta kadar ve m+ 1 olarak hesaplanır ( nokta kadar brbrne uyması durumunu ölçen k olasılık yazılablr: A m( r ) 1 = N 1 m N 1 m N m A 1 N 1 m N 1 m N m, ) B m( r = B Burada, A ve B, sırasıyla x m( ) ve x m + 1( ) dzlernn numarasını gösterr. B r alınmalıdır [15]. SamEn yaklaşımıyla H SamEn m A ( r) ( x) = lm ln N m B ( r) Eştlğ kullanılarak entrop hesaplanablr. m ve r çn optmum değer kestrmnde br klavuz olmadığı çn deneysel bulunur. Bu çalışmada en y sonuçlar, m = 1 ve r =, 5 alındığında elde edlmştr. EEG snyalnn düzgünlüğü (regularty) arttıkça SamEn yaklaşımı daha düşük entrop sağlar.

4 73. Sonuçlar Tab.1 e baktığımızda; en az sınıflandırma hatasını LogEn yaklaşımının sağladığını görürüz. Grş olarak kullanılan entrop değerler LogEn yaklaşımıyla hesaplandığında kurgulanan altı mmar arasında se en y performansı YSA-3 le smlendrdğmz snr ağının verdğn görüyoruz. Grş sayısını değerlendrdğmzde se sadece 5 kaydın entrop değerlern tanımlayıcı özellk vektörünü oluşturmada kullandığımızda ble yaklaşık %95 doğrulukta sınıflandırma başarısı elde edlebldğn söyleyeblrz. En yüksek performansı se kşlerden arda arda kaydedlmş lk 1 kaydın entrop değerlern LogEn yaklaşımı hesaplayarak YSA na tanıttığımızda elde dyoruz. 5 Shannon Entropy x Log Energy x Set A Set D Set E Set A Set D Set E (a) (b) Sample Entropy Set A Set D Set E (c) Şekl 1. Entropler: a) Shannon entropler, b) LogEn entropler, c) SamEn entropler

5 74 Tablo 1. Sınıflandırma Başarıları. Grş Gzl katmanlarda nöron sayısı Hata (%) YSA sayısı 1.katman.katman LogEn ShanEn SamEn YSA-1 5 5,53 1,1 17,8 YSA ,43,88,97 YSA-3 1 1,1 33,7 5,1 YSA ,6,15 38,66 YSA-5,57 41,81 33,48 YSA-6,8 34,59 17, Ortalama hata (%),8 18,69 6, 3. Tartışma ve Yorum Elektrofzyolojk davranış açısından, epleps durumunun sağlıklı olma durumuna göre daha az karmaşık (less complex) beyn davranışına neden olduğu blnmektedr. Entrop yaklaşımları beynn karmaşık davranışını EEG analz le gözlemlememz sağlar. Bu yüzden, sunulan çalışmada sağlıklı gönüllerden toplanan EEG snyaller le kesn epleps tanısı almış hastalardan atak dışında ve atak sırasında cerrah operasyonla toplanmış EEG serler, üç farklı entrop yaklaşımına göre yapay snr ağları yardımıyla sınıflandırılmıştır. Değerlendrlen entrop yaklaşımlarının epleps ve nöbet oluşumunu ayırt etmedek başarılarını kıyaslamak çn hesaplanan entrop değerlernn ürettğ sınıflandırma doğruluğu ncelenmştr. Sonuçlara epleptk serlern daha düşük entrop değerlerne sahp olduğunu ve LogEn yaklaşımının en yüksek doğrulukta ve en hassas entrop ölçütü olduğunu gösterr. Özellkle ataklar sırasında beynn ürettğ EEG snyaller öneml sevyede düşük entrop üretmektedr. Az sayıda kayıt analz edlse ble, YSA mmarsne tanıtılan grş değerler LogEn yaklaşımı le hesaplandığında epleps ve atak oluşumları, sağlıklı kayıtlardan yüksek doğrulukta ayırt edleblmektedr. Sonuçlara göre LogEn yöntemnn EEG karmaşıklığına çok hassas olduğunu söyleyeblrz. Kaynakça [1] Nedermeyer Nedermeyer E and Slva FHL (eds). Electroencephalography: Basc Prncples, Clncal Applcatons and Related Felds, Wllams and Wlkns, 3rd ed., pp , [] Bronzno JD, The Bomedcal Engneerng Handbook, 3 rd ed, CRC Pres, Sec.III, , 6. [3] Guyton AC, Text Book of Medcal Physology, Saunders, sec., 968, [4] Rcker JH, Dfferental Dagnoss n Adult Neuropsychologcal Assessment, Sprnger Publshng Company, pp.19, 3. [5] Shorvon S.D (ed), Perucca E (ed), Fsh D (ed), Dodson WE (ed), The Treatment of Eplepsy, nd ed, ISBN: , Wley-Blackwell, 4. [6] Kannathal N, Acharya UR et al, Characterzaton of EEG-A Comparatve study, Comp Meth and Prog n Bomed, do:1.116/j.cmpb.5.6.5, 8:17-3, 5. [7] Srnvasan V, Eswaran C et al, Approxmate entropy based epleptc EEG detecton usng artfcal neural networks, IEEE Trans on Inform Techn n Bomed, 11:88-95, 7. [8] Kannathal N, Choo ML et al, Entropes for detecton of eplepsy n EEG, Comp Meth and Prog n Bomed, do:1.116/j.cmpb.5.6.1, 8: , 5. [9] Pncus SM, Approxmate entropy as a measure of system complexty, Proc Natl Acad Sc USA, 88:97 31, [1] Last accessed: 1st July 9.

6 75 [11] Andrzejak RG, Lehnertz K et al, Indcatons of nonlnear determnstc and fnte dmensonal structures n tme seres of bran electrcal actvty: dependence on recordng regon and bran state, Phys Revew E, 64:6197, 1. [1] Rezek I and Roberts SJ, Stochastc complexty measures for physologcal sgnal analyss, IEEE Trans on BME, 44(9): , [13] Bruhn J, Lehmann LE et al, Shannon entropy appled to the measurement of the electroencephalographc effects of desflurane, Anesthesology,95(1):3-35, 1. [14] Rosso OA, Blanco S, Yordanova J et al, Wavelet entropy: a new tool for analyss of short duraton bran electrcal sgnals, J Neurosc Meth, 15:65-75, 1. [15] Rchman JS and Moorman JR, Physologcal tme-seres analyss usng approxmate entropy and sample entropy, Am J Physol Heart Crc Physol, 78(6),.