Fizik tedavide hastaların eeg sinyallerinden ağrı eşiğinin uzun kısa süreli hafıza derin öğrenme modeliyle kestirimi

Abstract

Ağrı, tüm vücudu korumak için doğal bir uyarıdır. Bu uyarıya karşı gösterilecek aşırı reaksiyon, dokuda hasarlara neden olmaktadır. Omuz ağrısı olan bir hasta fizik tedaviye gittiği zaman ilk muayenede rutin olarak eklem hareket açıklığı (EHA) ölçümü yapılmaktadır. Bu ölçümde 0 derece ve 90 derece arası genelde hasta ağrı hissetmez fakat 90 derece ve 120 derece arası hasta ağrı hissetmektedir. Hasta bu ölçüm sırasında bilerek veya bilmeyerek gereğinden fazla kendini zorlarsa doku hasarına sebep olabilir. Bu çalışmada omuz ağrısı olduğu için fizik tedavi ünitesine gelen hastalara ilk muayene esnasında rutin olarak yaptırılan eklem hareket açıklığı ölçümünde hastanın ağrı durumunun elektroensefalografi (EEG) sinyallerinden belirlenmesi amaçlanmıştır. Fizik tedavi için gelen gönüllü hastalardan ilk muayene esnasında eklem hareket açıklığına bağlı olarak oluşacak ağrının, EEG sinyalleri üzerine etkisi incelenmiştir. EEG sinyallerinden ağrının belirlenmesi hastada doku hasarının engellenmesine yardımcı olması ve fizyoterapistler tarafından hastanın ağrısının oluştuğu açının tespit edilmesi ön görülmüştür. Verilerimiz Simav Doç. Dr. İsmail KARAKUYU Devlet Hastanesi Fizik Tedavi ve Rehabilitasyon bölümüne omuz ağrısından dolayı başvuran 43 gönüllü hastadan Simav Teknoloji Fakültesi Elektrik-Elektronik Mühendisliği Elektronik Laboratuvarı demirbaşına kayıtlı bulunan 14 kanallı kablosuz Emotive marka eeg cihazıyla alınmıştır. Kayıt 1'de ilk 10 saniyede ağrı olmadan sonraki 10 saniyede ağrı varken EEG sinyalleri hastadan alınmıştır. Kayıt 2'de ilk 10 saniye ağrı olmadan ikinci 10 saniyede ağrı varken son 10 saniyede ise çok ağrı varken EEG sinyalleri hastadan alınmıştır.Ağrı eşiğinin belirlenebilmesi için EEG sinyallerinin güç spektrumu Welch, Periodogram ve Multitaper yöntemleri ile elde edilmiştir. 1-49Hz arasında elde edilen spektrum değerlerinin içerisinde delta, teta, alfa ve beta güç yoğunluk değerleri yer almaktadır. Bu spektruma ait değerlerin sınıflandırılması için yapay zeka yöntemlerinden biri olan LSTM (Long-Short Term Memory) algoritması kullanılmıştır. LSTM derin öğrenme modeli; sinyal işleme çalışmalarında son yıllarda çok yoğun olarak kullanılmaktadır. LSTM kısa ve uzun dönemli hafıza birimlerine sahip olduğu için sinyal sınıflandırma çalışmalarında, diğer yöntemlere göre daha başarılı sonuçlar ortaya koyması çalışmada yöntemin kullanılmasında bizi motive eetmiştir. Welch yöntemi ile Kayıt 1'in başarısı %95'dir. Kayıt 2'nin başarısı %75'dir. Periodogram yöntemi ile Kayıt 1'in başarısı %76'dır. Kayıt 2'nin başarısı %65'dir. Multitaper yöntemi ile Kayıt 1'in başarısı %70'dir. Kayıt 2'nin başarısı %61'dir. Sonuç olarak Welch yöntemi özellik çıkarımı yapıldığıda LSTM sınıflandırıcısı en yüksek başarıya ulaşmıştır. Fizik tedavi ve ağrı ile ilgili literatürde herhangi bir çalışma bulunmamaktadır. Bu çalışmayla, omuz ağrısı olduğu için fizik tedavi ünitesine gelen hastaların EHA ölçümleri sırasında ağrıya bağlı doku hasarlarının önüne geçilebilecektir ve fizyoterapistlere ağrının oluştuğu açı hakkında bilgi verilebilecektir.Anahtar Kelimeler: Ağrı, EEG Sinyal İşleme, Fizyoterapi tedavisi, LSTM Derin Öğrenme Modeli, Multitaper, Periodogram, Welch.

Pain is a natural stimulation to protect the whole body. Excessive reaction to this warning causes damage to the tissue. When a patient with shoulder pain goes to physical therapy, joint range of motion (EHA) measurement is routinely performed during the first examination. In this measurement, between 0 degrees and 90 degrees, the patient usually does not feel pain, but between 90 degrees and 120 degrees, the patient feels pain. If the patient deliberately or unknowingly pushes himself too hard during this measurement, it can cause tissue damage.In this study, it was aimed to determine the patient's pain status from electroencephalography (EEG) signals in the measurement of joint range of motion, which was routinely performed during the first examination of patients who came to the physical therapy unit because they had shoulder pain. During the first examination, the effect of pain due to joint range of motion on EEG signals was examined from volunteer patients who came for physical therapy. Determination of pain from EEG signals has been shown to help prevent tissue damage in the patient and to determine the angle at which the patient's pain occurs by physiotherapists.Our Data Simav Assoc. Dr. 43 volunteer patients admitted to the physical therapy and Rehabilitation Department of Ismail KARAKUYU State Hospital due to shoulder pain were taken with a 14-channel wireless Emotive brand EEG device registered with the simav Faculty of Technology Electrical and Electronic Engineering Electronic Laboratory fixtures. EEG signals were taken from the patient when there was pain in the first 10 seconds in record 1 without pain in the next 10 seconds. In record 2, the first 10 seconds were pain without pain, while the second 10 seconds were pain, and the last 10 seconds were a lot of pain, EEG signals were taken from the patient.In order to determine the pain threshold, the power spectrum of EEG signals was obtained by Welch, Periodogram and Multitaper methods. Delta, Theta, Alpha and beta power density values are included in the spectrum values obtained from 1 to 49Hz. The LSTM (Long-Short Term Memory) algorithm, one of the artificial intelligence methods, was used to classify the values of this spectrum. The LSTM deep learning model has been used extensively in signal processing studies in recent years. Because LSTM has short-and long-term memory units, the fact that it showed more successful results in signal classification studies than other methods motivated us to use the method in the study.With the Welch method, the success of record 1 is 95%. The success of record 2 is 75%. The success of registration 1 with the Periodogram method is 76%. The success of record 2 is 65%. The success of enrollment 1 with the multitasking method is 70%. Record 2's success is 61%.As a result, the LSTM classifier achieved the highest success when the Welch method property extraction was performed. There are no studies in the literature on physical therapy and pain. In this study, patients who come to the physical therapy unit for shoulder pain will be able to prevent pain-related tissue damage during EHA measurements and physiotherapists will be able to provide information about the angle at which the pain occurs.Keywords : Pain, EEG signal processing, Physiotherapy therapy, LSTM Deep Learning Model, Multitaper, Periodogram, Welch.