آشوب سیگنال EEG در صرع

---

شرح پروژه

هدف در این تکلیف آشنایی با فضای فاز بازسازی شده از سری های زمانی مربوط به سیگنال های مغزی یک فرد مبتال به بیماری صرع، رسم ماتریس فاصله و استخراج ویژگی های غیرخطی از ماتریس بازگشتی به منظور طبقه بندی دو فاز IterIctal و PreIctal از یکدیگر توسط کالس بند Nearest-K Neighbor( NN-K )می باشد. برای انجام این کار دو سری زمانی مربوط به این دو فاز در اختیار شما قرار خواهد گرفت. نمونه برداری از سیگنال های مغزی با فرکانس 256 نمونه در ثانیه انجام شده است و تعداد کانال های ثبت سیگنال مطابق با استاندارد 20-10 برابر با 23 کانال است. طول هر سیگنال برابر با 30 دقیقه است. دو سری زمانی مربوط به دو فاز در یک بازه 24 ثانیه ای در شکل 1 ترسیم شده است. شکل :1 منحنی سری زمانی مربوط به دو فاز IterIctal و PreIctal در یک بازه 24 ثانیه ای از دقیقه 10/6 تا دقیقه 11 برای الکترود شماره .20 در این صورت به سواالت زیر پاسخ دهید: -1 برای هر فاز سری زمانی 30 دقیقه ای را به پنجره های 5 ثانیه ای )بدون همپوشانی( تقسیم کنید و برای هر پنجره و برای تمام 23 کانال با استفاده از الگوریتم های MI و FNN به ترتیب تاخیر زمانی و بعد جاسازی سیستم را بدست آورید. به نظر شما چه تفاوتی میان بعد جاسازی و تاخیر زمانی در میان پنجره های مختلف و کانال های مختلف وجود دارد؟. در این حالت برای تمام پنجره ها و تمام کانال ها یک مقدار تاخیر زمانی و یک بعد جاسازی مناسب استخراج کنید. -2 در این مرحله ابتدا برای هر پنجره زمانی و هر کانال مقادیر ویژگی های بعد فرکتال هیگوچی و نمای لیاپانوف را بدست آورید و مقادیر این دو ویژگی را بر حسب تعداد پنجره و کانال ترسیم کنید. دقت کنید برای این کار تعداد داده های مربوط به محور افقی برابر است با حاصلضرب تعداد پنجره ها در تعداد کانال ها )23*30*12( و محور عمودی نیز مقدار ویژگی را نشان می دهد. در نمودار ترسیمی نقاط را به صورت گسسته برای هر دو فاز ترسیم کنید. برای هر ویژگی یک نمودار مجزا ترسیم کنید. برای محاسبه بعد فرکتال هیگوچی از تابع زیر استفاده کنید و برای محاسبه نمای لیاپانوف از دستور (fs,X(lyapunovExponent = lyapExp )x سری زمانی و fs فرکانس نمونه برداری( از نسخه b2019 به بعد نرم افزار استفاده کنید. function [HFD] = Higuchi_FD(serie, Kmax) %{ Script for computing the Higuchi Fractal Dimension (HDF) of a signal. INPUT: serie: is the temporal series that one wants to analyze by HDF. It must be a row vector. Kmax: maximum number of sub-series composed from the original. To determine its values, we have followed the recommendation of Doyle et al at "Discriminating between elderly and young using a fractal dimension analysis of centre of pressure". OUTPUT: HFD: the HFD of the temporal series. PROJECT: Research Master in signal theory and bioengineering - University of Valladolid DATE: 02/03/2014 AUTHOR: Jes�s Monge �lvarez %} %% Checking the ipunt parameters: control = ~isempty(serie); assert(control,'The user must introduce a series (first inpunt).'); control = ~isempty(Kmax); assert(control,'The user must introduce the Kmax parameter (second inpunt).'); %% Processing: % Composing of the sub-series: N = length(serie); X = NaN(Kmax,Kmax,N); for k = 1:Kmax for m = 1:k limit = floor((N-m)/k); j = 1; for i = m:k:(m + (limit*k)) X(k,m,j) = serie(i); j = j + 1; end end end % Computing the length of each sub-serie: L = NaN(1, Kmax); for k = 1:Kmax L_m = zeros(1,k); for m = 1:k R = (N - 1)/(floor((N - m)/k) * k); aux = squeeze(X(k,m,logical(~isnan(X(k,m,:))))); %We get the sub-serie without the NaNs. for i = 1:(length(aux) - 1) L_m(m) = L_m(m) + abs(aux(i+1) - aux(i)); end L_m(m) = (L_m(m) * R)/k; end L(k) = sum(L_m)/k; end % Finally, we compute the HFD: x = 1./(1:Kmax); aux = polyfit(log(x),log(L),1); HFD = aux(1); %We only want the slope, not the independent term. -3 با استفاده از اطالعات استخراج شده در مرحله 1 به عنوان نمونه از هر فاز برای چند الکترود منحنی ماتریس فاصله را ترسیم کنید و نتایج را برای هر دو فاز و الکترودهای متفاوت با یکدیگر مقایسه کنید. -4 با استفاده از اطالعات استخراج شده در مرحله 1 ویژگی های غیرخطی از ماتریس بازگشتی را استخراج کنید و مطابق مرحله 2 مقدار هر ویژگی را برای هر دو فاز در نمودارهای مجزا برای هر ویژگی ترسیم کنید. -5 با توجه به اطالعات بدست آمده در مراحل 2 و ،4 5 ویژگی بهینه )قدرت تفکیک باال در هر فاز( را انتخاب کرده و از آن برای کالس بندی این دو فاز استفاده کنید. کالس بند مورد نظر NN-K بوده و تعداد Fold ها را برابر با 5 )%80 داده ها در مرحله یادگیری و %20 داده ها در مرحله تست( انتخاب کنید. میانگین دقت کالس بند را روی تمامی Fold ها گزارش کنید. دقت کنید در این مرحله داده های هر کانال و هر پنجره 5 ثانیه ای را به عنوان یک مشاهده برای آموزش کالسبند استفاده کنید و به صورت تصادفی با استفاده از دستور randperm داده ها را به طور تصادفی برای آموزش شبکه به هم بریزید. راهنمایی: برای استفاده از الگوریتم validation cross Fold-k ، مجموعه داده به Fold-k( در این تکلیف 5=k )تقسیم میشود. مدل مورد نظر باید k بار آموزش و تست شود. در نتیجه هربار %80 دادهها آموزش میبینند و سپس %20 داده در مرحله تست قرار میگیرد و در مرحلهی بعد %80 داده شامل دادههای تست شده در مرحله قبل آموزش میبینند و %20 دادهای که تا به حال تست نشدهاند تست میشوند تا مرحلهی پنجم که %80 مابقی آموزش خواهند دید و %20 آخر داده ها تست خواهند شد. در هر مرحله نتایج را ذخیره کنی

مهارت ها و تخصص های مورد نیاز

---

---