منصة الرسائل والاطاريح: نظام المراقبة والكشف المعتمد على إنترنت الأشياء لنوبات الصرع باستخدام التعلم الآلي

الخلاصة

إن الاضطراب العصبي المعروف بالصرع له تأثير سلبي مستمر على الدماغ. يعد تحديد النوبات أمرًا ضروريًا للرعاية السريرية للأفراد المصابين بالصرع. كثيرًا ما يستخدم الأطباء الخبراء تحليل بيانات تخطيط كهربية الدماغ البصري (EEG) للكشف عن نوبات الصرع، وهي طريقة لمراقبة النشاط الكهربائي غير الخطي للخلايا العصبية في الدماغ. إنها أداة تشخيصية للكشف عن الصرع. نظرًا لأن الأمر يستغرق وقتًا طويلاً من قبل أطباء الأعصاب للمراجعة، فإن التفسير اليدوي لبيانات تخطيط كهربية الدماغ المستمدة من تسجيلات إشارات تخطيط كهربية الدماغ من مريض واحد يعد عملية صعبة للغاية وتستغرق وقتًا طويلاً. في هذه الأطروحة، نقترح إطار عمل إنترنت الأشياء (IoT) للكشف الدقيق والفعال عن النوبات ومراقبتها لمرضى الصرع باستخدام تقنيات التعلم الآلي. تشكل ثلاث طبقات إطار عمل إنترنت الأشياء المقترح: طبقات الأشياء/الأجهزة، والضباب، والسحابة. تتلخص الطريقة المقترحة في نقل البيانات المجمعة من طبقة الشيء إلى طبقة FoG حيث يتم تنفيذ عدة خطوات حاسمة بدءاً من تجزئة بيانات مخطط كهربية الدماغ (EEG) وتحويلها إلى تنسيق جدول ثنائي الأبعاد وإنشاء Weighted Visibility Graph (WVG) من بيانات تخطيط كهربية الدماغ (EEG). تستخرج طريقتنا المقترحة تسع ميزات من WVG وعشر ميزات إحصائية إضافية من مجموعة بيانات EEG الأصلية. يتم تغذية كل هذه الميزات إلى أساليب التعلم الآلي لتصنيف الإشارة التي تم الحصول عليها على أنها طبيعية أو غير طبيعية. عشرة من أساليب التعلم الآلي الأكثر شيوعًا المستخدمة في هذا النظام المقترح تسمى Logistic Regression LR، K-Nearest Neighbor KNN، Support Vector Machine SVM، Stochastic Gradient Descent SGD، Naïve Bayes NB، Decision Tree DT، Random Forest RF، Extra Tree Classifier EXT، Gradient Boosting GB، و Extreme Gradient Boosting XGB. بعد تصنيف الإشارة، سيتم اتخاذ أحد الإجراءين اعتمادًا على حالة التصنيف: إما إرسال إشعار إلى أي مقدم رعاية محدد مسبقًا في حالة حدوث نوبة أو تقليل البيانات باستخدام الطريقة المعتمدة على العتبة في حالة غياب النوبة. ونتيجة لذلك، وفي كلتا الحالتين، يتم تحميل البيانات إلى الطبقة السحابية لمراجعتها لاحقًا من قبل فريق طبي متخصص. تم استخدام أربعة سيناريوهات لتقييم طريقتنا المقترحة باستخدام مقاييس تقييم الأداء مثل accuracy، precision، score F1، Specificity ، وما إلى ذلك. وتتجلى قوة الأساليب المقدمة من خلال الاستراتيجية المقترحة، والتي تنتج نسبة 100٪ في السيناريو الرابع الذي يستخدم نماذج ML مع ضبط المعلمات الفائقة وبيانات EEG المتوازنة والميزات المستخرجة.