مقاله #334

چکیده

صرع یکی از بیماری­های مزمن عصبی است که حدودا 70 میلیون نفر در سراسر دنیا به آن مبتلا هستند. این بیماری به شکل انفجارهای ناگهانی الکتریسیته­ ی اضافی در مغز توصیف شده، و تشنج نام گرفته است، اما صرع همچنان در مقایسه با دیگر بیماری­های عصبی، به خوبی درک نشده است. تشنج­ ها اغلب به صورت غیر منتظره اتفاق افتاده و تلاش برای پیش­بینی انها موضوع تحقیقات 30 سال اخیر محققان بوده است. نوارهای مغزی، به عنوان ابزاری برای ضبط، بخشی جدای ناپذیر این مطالعات هستند، که سیگنال­های الکتریکی مغز را دریافت می­نمایند. تشخیص صرع معمولا توسط یک عصب­شناس انجام می­پذیرد، اما شناسایی آن در مراحل اولیه می­تواند دشوار باشد. شواهد پاراکلینیکی پشتیبان بدست آمده از MRI و الکتروانسفالوگرافی می­تواند پزشکار را قادر سازد تا تشخیص صرع و درمان­های تحریکی مربوط به آن را سریع-تر انجام دهند. با این حال، دریافت نوارمغزی و تفسیر آن وقت­گیر بوده و می­تواند به علت نیاز به مختخصصان آموزش دیده برای اجرای تفسیر پر هزینه باشد. تشخیص خودکار همبستگی فعالیت تشنجی در مناطق مختلف مغز و مکان­های چندگانه ­ای که می­توانند یک راه­ حل باشند، تعمیم یافته است. این مقاله، این ایده را بیشتر مورد بررسی قرار داده و یک رویکرد آموزشی ماشین تحت نظارت را ارائه می­نماید که ثبت­ های تشنجی و غیر تشنجی را با استفاده از یک بانک داده با 243 پرونده (171 پرونده­ی تشنجی و 171 پرونده­ی غیر تشنجی) طبقه ­بندی می­نماید. رویکرد ما، روشی جدید برای تعمیم­ دادن تشخیص تشنج در موارد مختلف، بدون دانش پیشین درباره­ ی نقاط اصلی تشنج، را مبنای استدلال خود قرار داده است. نتایج ما بهبودی در مطالعات موجود نشان می­دهد، با 88% حساسیت، 88% صحت، و 93% برای منطقه­ ی زیر منحنی، و 12% برای خطای جهانی، با استفاده از طبقه ­بندی کننده­ ی k-NN.