Brain Tumret

Epileptiform İşaretlerinin Bağımsız Bileşenler Analizi Yöntemleriyle
Belirlenmesi
Detection of the Epileptiform Signals by Independent Component
Analysis Methods
Gökçen Yıldız1 , Murat Tümer1 ve Ahmet Ademoğlu1

1. Biyomedikal Mühendisliği Enstitüsü,
Boğaziçi Üniversitesi
{gokcen.yildiz}@boun.edu.tr
Özetçe bozukluktur. Günümüzde, işlevsel ve anatomik

Çalışmada, epileptik aktivite içeren elektroanse- manyetik rezonans, SPECT ve PET gibi
falogram (EEG) sinyallerinin farklı bağımsız görüntüleme yöntemleri hastalığın teşhisinde
bileşenler analizi (BBA) yöntemleriyle ayrıştırılması kullanılsa da hekimler tarafından hala en
ve epileptiform işaretinin gürültü ve artefakt- sık kullanılan yöntem elektroensafolografidir
lardan arındıralarak saptanması gösterildi. Fas- (EEG). Elektroansefalogramda epileptiform
tICA, Infomax ve JADE yöntemlerinin yanında, aktivite genliği, frekansı, süresi ve keskin
temel BBA yöntemlerine kıyasla BBA’nın is- dalga formuyla zemin aktiviteden ayrılır. An-
tatiktiksel bağımsızlık kriterini yumuşatan To- cak, bu dalga epileptik aktiviteden bağımsız
pografik BBA (TBBA) yöntemi kullanıldı. Simüle diğer sinyaller: genel beyin aktivitesi, arte-
ve gerçek EEG verisinde BBA yöntemlerinin faktlar, özellikle yüz kaslarının hareketinden
başarımı karşılaştırıldı. BBA sonuçlarına dalgacık kaynaklanan sinyaller, ve gürültü ardına da
gürültü giderimi uygulanarak yöntemin başarımının gizlenebilir. Epileptiform sinyali harici diğer
arttığı görüldü. sinyallerin EEG verisinden temizlenmesi,
EEG’nin hekim tarafından yapılan analizini
Abstract kolaylaştıracaktır. Literatürde, epileptiform
Decompostion of epileptic EEG signals by Inde- aktivitesini diğer sinyallerden yalıtmak için
pendent Component Analysis (ICA) methods in or- birçok yöntem kullanılmıştır. Bunlar arasında,
der to detect the epileptiform transients burried in sadece zaman veya frekans uzayında işlem
noise and artifacts is the main motivation of this yapanların başarısı, epileptik sinyalin genlik ve
study. We used FastICA, Infomax and JADE as con- frekansı çoğu kez artefaktlarınki ile çakıştığı
ventional ICA methods as well as Topographic ICA için düşüktür. Günümüzde, yapay sinir ağları[1]
(TICA), a newer method relaxing the statistically ve dalgacık dönüşümü [2] kullanan yöntemler
independence assumption of former methods. Sim- başarılı sayılmakta ve istatistiksel temelli
ulated and real EEG data are used to compare the yöntemlere yönelim artmaktadır.
performance of these ICA methods. We also showed
that post-processing by Wavelet Denoising subsequent Bu çalışmada, çok kanallı sinyalleri istatik-
to ICA decomposition offers a better detection of the tiksel bağımsızlık kriteriyle ayrıştıran, Bağımsız
epileptic activity. Bileşenler Analizi’ni (BBA), FastICA, Info-
max, JADE ve topografik BBA yöntemleriyle
1 Giriş gerçek EEG verisine uyguladık. Ayrıştırmada
Epilepsi, beyindeki nöronal organizasyonun farklı istatistiksel kriterler uygulayan bu BBA
iyon kanallarını kodlayan tek bir aminoasit yöntemlerinin üzerinde başarısını ölçtük. Dal-
mutasyonundan, lezyonlara, birden çok se- gacık gürültü giderimini de BBA sonrasına
viyedeki disregülasyondan kaynaklanabilen ve ekleyerek, epileptiform aktiviteyi, diğer EEG
milyonlarca hastayı etkileyen bir nörolojik bileşenlerinden ayırmayı gösterdik.
978-1-4244-3606-4/09/$25.00 ©2009 IEEE
2 Bağımsız Bileşen Analizi 2.3 JADE
BBA, gözlemlenen verinin istatistiksel JADE (Joint approximate diagonalization
olarak bağımsız gizli bileşenlerin doğrusal of eigenmatrices), diğer BBA yöntemlerinden
dönüşümü sonucu oluştuğunu varsayan bir kör farklı olarak, verinin kendisi ile değil, yüksek
kaynak ayrıştırması (blind source separation) istatistiksel niteliklerinden 4. kümülantı kul-
yöntemidir. Temel doğrusal modeli: lanılarak hesaplanır [5]. Kümülant temelli
BBA algoritmaları Gauss gürültüsüne, di-
x = As (1) rekt veri üzerinden işlem yapanlara kıyasla
daha dayanıklıdır. Bu özelliği ile Gauss
Burada x çok kanallı gözlem verilerinden oluşan gürültüsü içeren biyomedikal sinyallerin,
matris, s bağımsız bileşenlerden oluşan kaynak özellikle de EEG’nin işlenmesi için uygundur.
matrisi; A da karıştırma matrisidir. Amaç bilin- 2.4 Topografik BBA
meyen A ve s değerlerinin gözlem vektörü x kul-
TBBA yönteminin amacı, BBA’nın is-
lanılarak kestirilmesidir. BBA algoritmalarında,
tatistiksel bağımsızlık varsayımını, kestirim
gözlemlenen sinyalleri karşılıklı bağımsız kay-
prosedürüne komşuluk fonksiyonları ekleyerek
nak sinyallerine dönüştürecek, A karıştırma ma-
yumuşatmaktır. Bu çalışmada, Hyvarinen ve
trisinin tersi W ayrıştırma matrisinin bulunması
ark.’nın [6] tanımladığı yaklaşım kullanıldı.
amaçlanır. Karşılıklı bağımsızlığı maksimize et-
Saklı bileşenlerin, si , varyansları, σi2 , belirli bir
mek için kullanılan farklı kriterler farklı BBA
model tarafından üretilen rassal değişken olarak
yöntemlerini doğurur. Bu kriterler, gauss ol-
kabul edildi. Bu hiyerarşik modelde, varyansları
mayan özniteliklerin negentropi, entropi, kur-
üretildikten sonra, saklı değişkenler yine bir-
tosis ölçümleriyle veya kümülant hesaplarıyla
birinden bağımsız fakat herbiri kendi varyansına
maksimize edilmesi temeline dayanır.
bağımlı olarak üretildi. Saklı değişkenleri üreten
2.1 FastICA kaynakların mekansal topografisi ile ilgili
FastICA algoritmasının genel işleyişi şu bilgi, komşuluk fonksiyonları kullanılarak
şekildedir[3]: kestirim prosedürüne katıldı. Birbirine yakın
1. Başlangıç için rastgele bir ayrıştırma W ma- kaynaklardan üretilen sinyallerin varyansları
trisi bul. birbiriyle pozitif korelasyon içindeyken, uzak
2. W = E{xg(W T x)} − E{g (W T x)}W (negen- kaynakların varyansları birbirinden bağımsız
tropiyi kestir.) varsayıldı. Varyansları ve saklı bileşenleri
3. W = W + / W + (Normalize et) üreten iki aşamalı modelin denklemleri şu
4. Yakınsama sağlanmadıysa 2’ye dön. şekilde özetlenebilir:
Burada g doğrusal olmayan bir kontrast
fonksiyondur. Literatürde kullanılan fonksiyon-
lar: si = φ(Σk h(i, k)uk )zi (2)
g1(y) = tanh(y)
g2(y) = y(exp(−y 2 /2)) Burada, φ doğrusal olmayan bir fonksiyon, h
g3(y) = y 3 komşuluk fonksiyonu, uk varyans üretmek için
g4(y) = y 2 kullanılan yüksek dereceli bağımsız bileşenler,
zi ise birim σi2 verildiğinde, si ile aynı
Kaynakların olasılık dağılımlarıyla ilgili önceden olasılık yoğunluk fonksiyonundan gelen rassal
bilgi sahibi olmadığımızı farzedip, bu duruma en değişkendir. ui ve zi karşılıklı olarak bağımsızdır.
uygun olan tanh fonksiyonunu kullandık. Öğrenme kuralı ise:
2.2 Infomax
Infomax’ın temeli doğrusal olmayan çıkışları wij := wij + αE(xj yi ri ) (3)
olan bir yapay sinir ağının çıkış entropisini mak-
simize etmek üzerine kuruludur [4]. Sinyaller Burada, yi = j wij xj , ve
önce, ortak bir kümülatif yoğunluk fonsiy- ⎛ ⎞
onuyla modellenir ve entropilerini maksimize
ri = h(i, k)g ⎝ h(k, j)yj2 ⎠ (4)
eden ayrıştırma matrisi bulunur. Bu ortak k j
dağılım fonksiyonunun, her sinyal için olan mar-
jinali istatiktiksel olarak birbirinden bağımsız Kullandığımız doğrusal olmayan φ fonksiy-
varsayılır. onu FastICA’da olduğu gibi tanjant hiperbolik
Tablo 1: 4 tip BBA yönteminin PI ve SIR kriter-
leriyle yapay veride karşılaştırılması.
PI SIR
FastICA 0.219 32.51 dB
JADE 0.188 33.83 dB
InfoMax 0.221 30.05 dB
TBBA 0.185 32.15 dB
Şekil 1: Yapay EEG verisi.
fonksiyon, komşuluk fonksiyonu ise:

|i − j| ≤ m ise h(i, j) = 1, aksi takdirde h(i, j)=
0.
Burada m standart 10-20 sisteminde iki elektrot
arasındaki uzaklıkla ilişkilidir.
Şekil 2: Örnek veri seti 1. Epileptiform geçişleri
3 Sonuçlar hekim tarafından işaretlenmiştir.
3.1 Gerçekçi EEG Simulasyonu
3.2 Epileptik EEG verisi
BBA yöntemlerinin başarımını sınamak
için, gerçekçi kafa modeli kullanılarak EEG 19 elektrot ile standart 10-20 sistemiyle
verisi üretildi. Veri, gürültü ve göz kaslarının toplanmış ve hekim tarafından saptanmış
hareketinden kaynaklanan artefakt benzeri epileptik aktiviteye ek olarak bir çok artefakt
sinyallerle karıştırıldı. 20 kanal üzerinde üretilen içeren EEG verisi kullanıldı. Örneklem frekansı
veril Şekil 1’de görülmektedir. Başarımı ölçmek 256 Hz ve referans elektrot tüm elektrotların or-
için kestirilen karıştırma matrisi ve bağımsız talamasıdır. Örnek veriler şekil 2 ve 3’de göster-
kaynakların asıllarıyla benzerliğini ölçen iki ilmiş ve epileptiform sinyalleri işaretlenmiştir.
kriter kullanıldı, PI (performance index of Her veri seti için BBA yöntemlerine geçmeden
separation) ve SIR (Signal to Inference Ratio). önce boyut azaltılması, ön gürültü giderimi
n
n n n
ve ilintili sinyallerin ayrıştırılması için ön-
|pi j| |pi j|
PI = ( −1)+ ( −1) beyazlaştırma (pre-whitening) uygulandı.
i j
maxk |pik| j i
max k |pkj| Boyut azaltılması, temel bileşenler analizinde
(5) olduğu gibi veri setinin en büyük özdeğerlerini
pij A gerçek karıştırma matrisi, W kestrilen veren özvektörlerin korunması, gürültüden
ayrıştırma matrisinden oluşan global sistem kaynaklandığı varsayılan sıfır’a yakın özdeğere
matrisi P = W AW T ’nin indislere karşılık sahip özvektörlerin gözardı edilmesiyle yapıldı.
gelen elemanını, maxk (pik ), P’nin i.satırının Boyut azaltılmasıyla, boyutu 19’dan 14’e in-
en büyük elemanını, maxk (pkj ) ise j. sütu- dirgenen EEG verilerinin, FastICA ve JADE
nun en büyük elemanını ifade eder. Ayrıştırma yöntemleriyle bulunan bağımsız bileşenleri
tam olarak sağlandığında PI sıfır olarak bu- şekil 4 ve 5’te gösterilmiştir. Şekil 5’te
lunur. SIR ise işaret-gürültü oranı ilişkisine ben- de gözüktüğü gibi, TBBA analizinin sonu-
zer bir hesapla, orijinal ve kestirilen bağımsız cunda, aynı kaynaktan gelen (göz kırpması,
bileşenlerin benzerliğini ölçen bir yöntemdir. epileptik aktivite, EMG sinyalleri) sinyaller
SIR(dB)= −10log10 M SE). Burada MSE, orta- birlikte gruplanmıştır. BBA analizi sonucu
lama kare hata= E{(s(t)−y(t))2 }. BBA algorit- üretilen karıştırma matrisi ve bağısımsız
maları bu kriterlerle, yapay veri setlerinde test kaynakların sadece epileptiform aktivitesi
edildi. Sonuçlar Tablo 1’de görülmektedir. içernlerini seçip, diğerlerini gözardı ederek
Şekil 6: Artefakt ve gürültüden BBA analizi ile
Şekil 3: Örnek veriseti 2. Epileptiform geçişleri temizlenen 2. örnek veri seti.
hekim tarafından işaretlenmiştir.
Şekil 4: 1. örnek verisetinin FastICA ile bulunan

bağımsız bileşenleri. Şekil 7: BBA analizini takiben bulunan bağımsız
bileşenlere uygulanan dalgacık dönüşü sonucu
yeniden üretilen sinyal.
gözlemlenen sinyaller yeniden oluşturuldu. 2.

örnek üzerinde uygulanan BBA analizi sonucu
yeniden oluşturulan sinyal şekil 6’da göster-
ilmiştir. BBA analizi sonucu bulunan bağımsız
bileşenlere dalgacık gürültü giderimi uygu-
landı. Bu işlemde, şekli epileptiform işaretiyle
uyumlu olduğu için D4 (Daubechies) dalgacığı
kullanılmış ve epileptik işaretin frekansı 30-35
Hz bandının altında kabul edilip, 4.seviyede
dalgacık dönüşümü yapılmıştır. 2. veri setine
uygulanan BBA ve dalgacık gürültü giderme
işlemleri sonucu elde edilen sinyal şekil 7’da
gösterilmiştir.
4 Tartışma
Şekil 5: 2. Örnek veri setinin TBBA ile bulunan
Çalışmada, BBA yöntemlerinin epileptik
bağımsız bileşenleri.
EEG verilerinin analizinde kullanımı gösterildi.
Dört farklı yöntemin simule ve gerçek EEG
verisindeki başarımı sınandı. Farklı istatiktik-
sel temellere dayanan FastIca, Infomax, JADE
yöntemlerinin benzer başarım seviyesinde olduk-
ları ancak kaynakların topografik yakınlığını
gözönünde bulunduran TBBA yönteminin,
sonuçların görsel ifadesinde, daha sonraki anal-
izlerde de kolaylık sağlayacak üstünlüğü olduğu
görüldü. Dalgacık gürültü giderimi, BBA anal-
izinin ardına eklenerek, sonuçlar iyileştirildi.
Yöntem, klinikte hekimlerin analizine
yardımcı olarak ve EEG’nin otomatik analizini
yapan yazılımlarda veriyi epilepsi tespitine
hazırlayacak ön aşama olarak kullanılabilecek
başarım düzeyindedir.
Kaynaklar
[1] Mohamed, N., D. Rubin, and T. Marwala, “De-
tection of epileptiform activity in human EEG
signals using Bayesian neural networks,” in Com-
putational Cybernetics, 2005. ICCC 2005. IEEE
3rd International Conference on, pp. 231–238,
2005.
[2] Sartoretto, F., and M. Ermani, “Automatic
detection of epileptiform activity by single-
level wavelet analysis,” Clinical Neurophysiology,
Vol. 110, no. 2, pp. 239–249, 1999.
[3] Bingham, E., and A. Hyvarinen, “A Fast Fixed-
Point Algorithm for Independent Component
Analysis of Complex Valued Signals,” INTER-
NATIONAL JOURNAL OF NEURAL SYS-
TEMS, Vol. 10, no. 1, pp. 1–8, 2000.
[4] Cardoso, J., “Infomax and maximum likelihood
for blind source separation,” IEEE Signal Pro-
cessing Letters, Vol. 4, no. 4, pp. 112–114, 1997.
[5] Moreau, E., “A generalization of joint-
diagonalization criteria for sourceseparation,”
IEEE Transactions on Signal Processing, Vol. 49,
no. 3, pp. 530–541, 2001.
[6] Hyvarinen, A., P. Hoyer, and M. Inki, “To-
pographic ica,” Neural Computation, Vol. 13,
pp. 1527–1558, 2001.

Brain Tumret

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Brain Tumret

Uploaded by

Copyright:

Available Formats

Epileptiform İşaretlerinin Bağımsız Bileşenler Analizi Yöntemleriyle

Gökçen Yıldız1 , Murat Tümer1 ve Ahmet Ademoğlu1

Özetçe bozukluktur. Günümüzde, işlevsel ve anatomik

Şekil 1: Yapay EEG verisi.

fonksiyon, komşuluk fonksiyonu ise:

Şekil 4: 1. örnek verisetinin FastICA ile bulunan

gözlemlenen sinyaller yeniden oluşturuldu. 2.

You might also like