Multipl skleroz (MS) ve sağlıklı elektroensefalografi sinyallerinin sınıflandırılması

Abstract

Multipl Skleroz (MS), merkezi sinir sisteminin otoimmün olduğu düşünülen kronik, inflamatuar bir demiyelinizan hastalığıdır. MS'in erken tanısı hastalığın tedavisi ve seyri için büyük önem taşımaktadır. Klinikte MS tanısı için manyetik rezonans görüntüleme (MRG), beyin omurilik sıvısı (BOS) ve uyarılmış potansiyeller kullanılmaktadır. Kullanılan bu yöntemlerin invaziv veya pahalı olması teşhis için zorluk yaratmaktadır. Hastalığın teşhisi için doğru ve etkili bir yol bulmanın önemi zamanla artmıştır. Bu doğrultuda, MS'de görülen demiyelinizasyon ve aksonal hasar sonucunda beynin serebral korteksinin etkilenmesi ve buna bağlı olarak da nöronların aktivitesinin değişmesi nedeniyle elektroensefalografi (EEG) analizinin hastalığın ön tanısına katkı sağlayacak bir yöntem olabileceği düşünülmektedir. Bunun nedeni, EEG'nin binlerce nöronun senkronize aktivitesi tarafından üretilen elektriksel potansiyeli ölçmesidir. Bu bilgilerden yola çıkılarak, bu çalışmada Başkent Üniversitesi Ankara Hastanesi Nöroloji Kliniği'nde MS tanısı konulan ve sağlıklı bireylerden alınan EEG sinyalleri analiz edilmiş ve bu iki grubu birbirinden ayırabilecek farklılıklar belirlenmiştir. Bu farklılıklar temel alınarak makine öğrenmesi yaklaşımları ile MS ve sağlıklı bireyleri yüksek doğrulukta sınıflandırabilecek bir yöntem geliştirilmesi amaçlanmıştır.Çalışmanın ilk aşamasında göz kapalı dinlenim durumunda alınan EEG sinyalleri için hemisferler arası ve hemisferler içi kanal çiftleri arasında senkronizasyon analizi gerçekleştirilmiştir. Bu doğrultuda, koherans analizi ve karşılıklı bilgi kestirimi yöntemleri uygulanmıştır. Koherans analizi sonucunda, EEG alt bantlarına (delta, teta, alfa, beta ve gama) karşılık gelen frekans aralıklarının normalize koherans spektrum eğrisinin altında kalan alanları ve kanal çiftlerinin karşılık bilgi değerleri öznitelik olarak belirlenmiştir. Çalışmanın ikinci aşamasında ise 5 Hz, 10 Hz, 15 Hz, 20 Hz ve 25 Hz frekanslarında ışıklı uyarım durumunda alınan EEG sinyallerine sürekli dalgacık dönüşümü yöntemi uygulanmıştır. Analiz sonucunda sırasıyla bu frekans uyarımı bölgelerine karşılık gelen dalgacık dönüşümü katsayıları hesaplanmıştır. Her uyarım bölgesindeki `1-4 Hz` ve `4-13 Hz` frekans aralıklarına karşılık gelen mutlak dalgacık katsayılarının toplamları, maksimumları, standart sapmaları ve minimumları öznitelik olarak belirlenmiştir.Göz kapalı ve ışıklı uyarım EEG sinyalleri için belirlenen öznitelikler kullanılarak k en yakın komşu, destek vektör makinesi, karar ağaçları ve topluluk yöntemleri ile sınıflandırma çalışmaları yapılmıştır. Çalışma sonunda, göz kapalı EEG ve ışıklı uyarım EEG sinyalleri için yüksek doğruluk oranında MS ve sağlıklı ayrımı yapabilen bir karar destek sistemi geliştirilmiştir.

Multiple Sclerosis (MS) is a chronic, inflammatory demyelinating disease of the central nervous system that is thought to be autoimmune. Early diagnosis of MS is of great importance for the treatment and course of the disease. Magnetic resonance imaging (MRI), cerebrospinal fluid (CSF) and evoked potentials are used in the diagnosis of MS. These methods are invasive or expensive, making it difficult to diagnose. In this respect, electroencephalography (EEG) analysis may be a method that will contribute to the pre-diagnosis of the disease due to the effect of cerebral cortex of the brain as a result of demyelination and axonal damage seen in MS. This is because EEG measures the electrical potential generated by the synchronized activity of thousands of neurons. Based on this information, in this study, EEG signals obtained from healthy individuals diagnosed with MS in Neurology Clinic of Başkent University Ankara Hospital were analyzed and the differences that could distinguish these two groups were determined. Based on these differences, it is aimed to develop a method that can classify MS and healthy individuals with high accuracy by machine learning approaches.In the first stage of the study, synchronization analysis was performed between inter-hemispheric and intra-hemispheric channel pairs for EEG signals taken in eyes closed resting position. As a result of the coherence analysis, the areas of the frequency ranges corresponding to the EEG subbands (delta, theta, alpha, beta and gamma) under the normalized coherence spectrum curve and the mutual information values of the channel pairs were determined as features.In the second stage of the study, continuous wavelet transform method was applied to the EEG signals received in the case of photic stimulation at 5 Hz, 10 Hz, 15 Hz, 20 Hz and 25 Hz frequencies. As a result of this analysis, wavelet transform coefficients corresponding to these stimulation regions were calculated respectively. Sums, maximums, standard deviations and minimums of absolute wavelet coefficients corresponding to frequency ranges `1-4 Hz` and `4-13 Hz` in each stimulation regions were determined as features.Using the features determined for the eye closed and photic stimulation EEG signals, classification studies were performed with the nearest neighbor, support vector machine, decision trees and ensemble methods. At the end of the study, a decision support system was developed for eye-closed EEG and photic stimulation EEG signals that can distinguish MS and healthy at high accuracy rate.