پیش بینی حمله (وقوع) صرع بر اساس فرایند آماری چند متغیره کنترل کننده ویژگی های متغیر ضربان قلب

قیمت: 46,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

پیش بینی حمله (وقوع) صرع بر اساس فرایند آماری چند متغیره کنترل کننده ویژگی های متغیر ضربان قلب

عنوان لاتین

Epileptic Seizure Prediction Based on Multivariate Statistical Process Control of Heart Rate Variability Features

هدف: مطالعه حاضر یک روش جديد پيش بيني تشنج صرعی از طريق يكپارچه كردن تغييرات ضربان قلب (HRV) و يك روش نظارت ناهنجاري ارائه مي دهد. روشها: از آنجاییکه فعالیتهای عصبی بیش از حد در دوره پرتیکال از صرع بر سیستم عصبی غیرارادی و عملکرد عصبی غیرارادی بر HRV تأثیر می گذارد، تصور می شود که تشنج می تواند از طریق نظارت بر HRV پیش بینی شود. در روش پیشنهادی، هشت ویژگی HRV برای پیش بینی تشنج با استفاده از کنترل فرآیند آماری چند متغیری نظارت (مانیتورینگ) می شود که یک روش نظارت بر ناهنجاری شناخته شده است. يافته ها: روش پيشنهادي ما از داده هاي باليني 14 بيمار استفاده کرد. در جمع آوری داده ها، 8 بیمار مجموعا 11 مورد از بیداری را تجربه کرده بودند و طول کل دوره های اینتریکال حدود 57 ساعت بود. نتایج حاصل از روش پیشنهاد شده نشان داد که تشنج در ده مورد از یازده قسمت بیداری پیش از شروع تشنج پیش بینی شده است، یعنی حساسیت آن 91٪ و میزان مثبت کاذب آن حدود 0.7 بار در ساعت است. نتيجه گيري: اين مطالعه یک روش پيش بيني تشنج در مبتلايان به صرع مبتني بر HRV را پيشنهاد میکند اهمیت: روش پیشنهادی را می توان در زندگی روزمره استفاده کرد، زیرا با استفاده از یک حسگر پوشیدنی می توان میزان ضربان قلب را به راحتی اندازه گیری کرد.

Objective: The present study proposes a new epileptic seizure prediction method through integrating heart rate variability (HRV) analysis and an anomaly monitoring technique. Methods: Because excessive neuronal activities in the preictal period of epilepsy affect the autonomic nervous systems and autonomic nervous function affects HRV, it is assumed that a seizure can be predicted through monitoring HRV. In the proposed method, eight HRV features are monitored for predicting seizures by using multivariate statistical process control, which is a well-known anomaly monitoring method. Results: We applied the proposed method to the clinical data collected from 14 patients. In the collected data, 8 patients had a total of 11 awakening preictal episodes and the total length of interictal episodes was about 57 h. The application results of the proposed method demonstrated that seizures in ten out of eleven awakening preictal episodes could be predicted prior to the seizure onset, that is, its sensitivity was 91%, and its false positive rate was about 0.7 times per hour. Conclusion: This study proposed a new HRV-based epileptic seizure prediction method, and the possibility of realizing an HRV-based epileptic seizure prediction system was shown. Significance: The proposed method can be used in daily life, because the heart rate can be measured easily by using a wearable sensor.