بدون تردید «خواندن» مهمترین فعالیت آموزشی کودکان در سالهای آغازین مدرسه است. مسئله اختلال در خواندن یا «نارساخوانی» (Dyslexia) زمانی مطرح است که کودک بدون اینکه از نظر شنوایی، بینایی و ذهنی دچار مشکل باشد قادر به درست خواندن کلمات نباشد.
رایجترین اثر نارساخوانی، کندخوانی و در نتیجه آن کمتر بودن سرعت یادگیری این افراد نسبت به افراد سالم در گروه سنی یکسان است.
در سالهای اخیر با شناخت این بیماری و علایم آن تلاشهای بسیاری در جهت تشخیص این افراد در کودکی و اعمال درمان مناسب روی ایشان صورت گرفته است. تشخیص نارساخوانی تحت مجموعهای از ارزیابیهای هوشی، تحصیلی، آزمونهای زبانی-کلامی و بررسی حافظه دیداری با ثبت هم زمان سیگنالهای مغزی (Electroencephalography (EEG انجام میگیرد.
در این پژوهش، سیگنالهای EEG ثبت شده از کودکان سالم و کودکان مبتلا به نارساخوانی با هدف استخراج الگویی برای تشخیص بیماری پردازش و طبقهبندی شدند. برای طبقهبندی دادهها از دو ابزار ماشین بردار پشتیبان و طبقهبند بیز استفاده کردیم و به منظور یافتن مناطق مؤثر مغزی در این بیماری نیز از روشهای MI و Filter-based استفاده شده است.
مقدمه
شیوع نارساخوانی به طور قابل توجهی از اواسط دهه ۱۹۷۰ افزایش یافت. شاید علت این افزایش را بتوان در کمتر بودن سرعت تواناییهای شناختی از سرعت جهان توسعه یافته جستجو کرد. Sklar و همکاران در سال ۱۹۷۲ در پژوهش خود به این نتیجه رسیدند که ارتباط خارج نیم کرهای (Intrahemispheric) بیشتر و داخل نیم کرهای (Interhemispheric) کمتر در افراد نارساخوان نسبت به افراد سالم در طول پردازش واجی وجود دارد تحقیقات Glaburda در سال ۱۹۸۰ نیز نتایج قبل را تأیید کرد.
از جمله مهمترین مشکلات یک فرد نارساخوان میتوان به داشتن ضعف در روانخوانی کلمه، در هجی کردن و رمزگردانی اشاره کرد. این کودکان ممکن است واژههای بسیاری را بدانند و به راحتی آنها را در مکالمه به کار برند اما قادر به درک و شناسایی نشانههای نوشتن یا چاپی آنها نباشند.
برخی هم ممکن است حتی واژهها را بخوانند اما مفهوم آنها را درک نکنند. متاسفانه معلمان معمولاً این گروه را در ردیف عقب مانده ذهنی یا به عنوان کودکان تنبل که کوششی برای یادگیری نمیکنند، میشناسند. این کودکان معمولاً مشکلاتی در جهت یابی فضایی، تشخیص راست و چپ، بالا و پایین، توالی حروف و کلمات و هماهنگی بین چشم و دست نیز دارند.
الکتروانسفالوگرافی (EEG) ثبت فعالیت الکتریکی مغز بر روی سطح پوست سر است، در حقیقت این سیگنال، ولتاژ ایجاد شده در نتیجه نوسانات حاصل از جریانهای یونی سلولهای عصبی مغز رااندازه گیری میکند.
این روش غیر تهاجمی نزدیک به صد سال قدمت دارد. یک روانپزشک آلمانی به نام هانس برگر اولین شخصی بود که فعالیت الکتریکی مغز را در سال ۱۹۲۹ ثبت کرد. برگر متوجه شد که تغییرات ریتمیک (امواج مغزی) با سطح آگاهی و سلامت فرد تغییر میکند و بر این اساس او این فرضیه را مطرح کرد که جریان مغز بسته به وضعیت عملکردی آن تغییر میکند مانند خواب، بیهوشی، بیماری و نارسایی مغزی
اکثر محققان و معلمان بر این باورند اگر شناسایی و تشخیص نارساخوانی کودکان تا پیش از پایه اول و دوم انجام شود بیشتر از ۸۰ درصد به لحاظ مهارت در خواندن به حد پایه تحصیلی خود ارتقا مییابند. با توجه به آنچه گفته شد هدف ما در این پژوهش پردازش سیگنالهای EEG ثبت شده از کودکان سالم و کودکان مبتلا به نارساخوانی در شرایط استراحت و همچنین در شرایط اعمال تحریک، جهت طبقهبندی آنها، یافتن الگوریتم تشخیص بیماری و تعیین مناطق مغزی کمکار در این بیماری بود.
برای طبقهبندی دادهها از ماشین بردار پشتیبان و طبقهبند بیز استفاده کردیم. ایده ماشین بردار پشتیبان (SVM) نخستین بار توسط Vapnik مطرح شد و از طریق نظریه یادگیری آماری و اصل به حداقل رساندن خطا توسعه داده شد. محمد نعیم در پایان نامه کارشناسی ارشد خود در دانشگاه کلرادو در سال ۲۰۰۷ از طبقهبندهای شبکه عصبی و SVM استفاده کرد و نشان داد که دقت حاصل شده از طبقهبند SVM بهتر است . در سال ۲۰۱۰، Kun Li برای طبقهبندی سیگنال EEG در یک سیستم BCI از طبقهبند ماشین بردار پشتیبان استفاده کرد و به دقت ۸۴٫۴% دست یافت .
Valenti و همکاران در سال ۲۰۰۶ از طبقهبند بیز ساده با توزیع پیوسته برای شناسایی اسپایک های ایزوله از فعالیت پایه EEG بهره گرفتند. Zhang در همین سال یک سیستم تست شنوایی با استفاده از طبقهبند بیز طراحی کرد [۸]. Acharya و همکارانش نیز در سال ۲۰۱۱ با استفاده از طبقهبند بیز، جداسازی بین افراد سالم و بیماران صرعی را بهبود بخشیدند، آنها برای این کار از یک طبقهبند بیز با توزیع گوسی و مدل ترکیبی گوسی با الگوریتم EM استفاده کردند.
در بخش نتایج خواهیم دید که نتایج حاصل از ماشین بردار پشتیبان دارای صحت بالاتری است. در پایان از طریق روشهای Filter-based و MI، الکترودهای مؤثر را انتخاب کردیم.
جامعه آماری و ثبت دادهها
جامعه استفاده شده در این پژوهش شامل ۳۰ کودک (۸ دختر و ۲۲ پسر) با میانگین سنی ۸ سال است. از این مجموعه بهطور تصادفی ۱۵ نفر در گروه آزمایش (بیمارانی که تحت درمان قرار گرفتهاند)، و ۱۵ نفر دیگر در گروه کنترل (بدون انجام درمان) قرار گرفتند. گروه سالم نیز کودکانی بودند که به صورت داوطلبانه در آزمایش شرکت کردند. تمامی این کودکان در سه آزمون شرکت کردند شامل:
۱) آزمون خواندن و نارساخوانی که یک معیار کمی از نارساخوانی را بدست میدهد.
۲) آزمون حافظه فعال کودکان (WMTB-C) که حافظه فعال کودک را میسنجد
۳) آزمون ماتریسهای پیشرونده رنگی ریون که معیاری برای سنجش هوش است. پس از تعیین معیاری از نارساخوانی کودکان بوسیله این سه آزمون، ۵ سیگنال شامل دو حالت استراحت چشم باز و چشم بسته و سه تکلیف شناختی از تمامی اعضای این سه گروه گرفته شد.
پس از آن گروه آزمایش تحت درمان رایانهای شناختی (BrainWare Safari) طی ۳۰ جلسه ۵۰ تا ۶۰ دقیقهای قرار گرفتند. اما گروه کنترل در حالت انتظار قرار داده شدند. مجدداً از دو گروه آزمایش و کنترل که به ترتیب تحت درمان قرار گرفته و نگرفتهاند، ۵ سیگنال مانند حالت قبل ثبت شدند. توضیح بیشتر آنکه مطابق عنوان پژوهش برای تشخیص بیماری تنها به دو گروه سالم و بیمار نیاز داریم و از گروه آزمایش برای بررسی نتایج استفاده کردهایم. همچنین از ۹ داده حالت اول گروه کنترل به عنوان دادههای ارزیابی استفاده کردیم.
سیگنالها با استفاده از یک دستگاه الکتروانسفالوگراف ۱۹ کاناله Mistar ثبت شدهاند. چیدمان الکترودها مطابق استاندارد ۲۰-۱۰ بوده و دو الکترود A1 و A2 در محل گوشها بهعنوان الکترود مرجع لحاظ شدهاند. نرخ نمونهبرداری سیگنال بوسیله دستگاه ۲۵۰ هرتز است.
روش استاندارد برای چیدن الکترودها روی پوست سر استاندارد ۲۰-۱۰ است که از سال ۱۹۵۰ تا کنون مورد استفاده است. “۱۰” و “۲۰” نشان دهنده فاصله واقعی بین الکترودهای مجاور یا ۱۰ درصد و ۲۰درصد از کل فاصله جلو به عقب یا راست به چپ جمجمه هستند.
هر موقعیت با یک حرف و یک شماره مشخص میشود. حرف هر الکترود نشاندهنده لوبی است که روی آن قرار گرفته (حرف اول لوب) و شماره هر الکترود نیز محل نیمکره (اعداد زوج برای نیمکره راست و اعداد فرد برای نیمکره چپ) را مشخص میکند. برای الکترودهایی که بر خط میانی قرار دارند به جای شماره از پسوند “Z” استفاده میشود.
سیگنالهای گرفته شده از کودکان شامل: دو سیگنال اول، استراحت مغزی به دو صورت چشم باز و چشم بسته و هریک به مدت ۳ دقیقه هستند. ۳ تکلیف شناختی نیز به شرح زیر است:
3 دقیقه تکلیف شناختی N-Back حافظه فعال: در این تکلیف اشکال مختلفی پشت سر هم به کودک نشان داده میشود و از او خواسته میشود در صورت تکرار شکل قبل کلید space را فشار دهد و در غیر این صورت منتظر بماند.
3 دقیقه ارائه تکلیف شناختی Visual Spatial N-Back: در این تکلیف به کودک اشکال مختلفی که هر کدام ممکن است در مکانهای مختلف یک کادر ۴ گوش ظاهر شوند، نشان داده میشود (در وسط این کادر یک علامت + بزرگ قرار دارد تا کادر را به طور تقریبی به ۴ قسمت تقسیم کند). کودک موظف است در صورت مشاهده دو شکل متوالی یکسان (مستقل از مکان شکل) کلید space را فشار دهد، در غیر این صورت باید منتظر بماند. به طور متوسط در هر ثانیه ۱ تصویر در کادر ظاهر میشود.
7 دقیقه ارائه تکلیف شناختی Visual P300 (Oddball): در این تکلیف شکل خاصی در بالا یا پایین کادر ظاهر میشود. از کودک خواسته میشود اگر آن شکل در بالا ظاهر شد، موشواره را فشار دهد و اگر پایین ظاهر شد هیچ کاری نکند.
پردازش
برای پردازش سیگنال مغزی ابتدا آرتیفکتهای ناشی از حرکت فرد را حذف کرده سپس با استخراج ویژگیهای مختلف به طبقهبندی میپردازیم؛ در نهایت با حذف کانالهای مؤثر یک بار دیگر طبقهبندی را با روشی که نتیجه بهتری داده است برای کانالهای مؤثر تکرار میکنیم.
پیش پردازش
پردازش اولیه بر روی دادههای این پژوهش مطابق با روشهای معمول پیش پردازش سیگنال EEG صورت گرفته است. این روند شامل مراحل زیر است:
حذف آرتیفکتهای چشم با استفاده از نرمافزار winEEG
عبور از فیلتر میان گذر با پهنای فرکانسی 0.5تا ۵۰ هرتز (حذف خودبه خود آرتیفکت ناشی از برق شهر و سیگنال EMG به دلیل فرکانس بالا بودن آنها)
بخش بندی کردن سیگنالها به بازههای یک ثانیهای و کنار هم قرار دادن یک ثانیههای مشابه (همتکلیف)
استخراج ویژگی
هدف اصلی این پژوهش جداسازی دو کلاس کودکان سالم و بیمار از یکدیگر یا بهعبارت دیگر، استخراج الگوریتم تشخیص بیماری بود؛ بنابراین قسمت استخراج ویژگی بخشی بسیار حیاتی محسوب میشود. یافتن ویژگیهای بهتر منجر به جداسازی دقیقتر کلاسها از یکدیگر میشوند.
برای یافتن بهترین ویژگیها، میزان پراکندگی (Scatter) آنها بین دو کلاس را مشخص کردیم؛ بنابراین ویژگیهای با جداکنندگی بیشتر باقیمانده و ویژگیهای کم اعتبار حذف شدند. ویژگیهای دیگر نیز با سعی و خطا افزوده شده و میزان پراکندگی آنها در جداسازی دو کلاس مورد آزمون قرار گرفت. در نهایت ۴۳ ویژگی برتر برای هر یک از پنج سیگنال ۱۹ کاناله استخراج شدند شامل:
۳-۲-۱ ویژگیهای فرکانسی
توان طیفی نسبی (RSP): توان طیفی نسبی که نسبت توان در زیرباندهای فرکانسی دلتا، تتا، آلفا، سیگما و بتا به کل توان در تمام زیرباندها است. برای رسیدن به دقت بیشتر این زیر باندها خود به دو بخش تقسیم شده و دو توان طیفی نسبی برای هر زیرباند محاسبه شده یعنی در مجموع ۱۰ ویژگی RSP خواهیم داشت.
HP (هارمونیک): این ویژگیها شامل فرکانس مرکزی (f_c)، مقدار طیف در فرکانس مرکزی (S(f_c )) و گستردگی فرکانسی (f_σ) هستند. هر کدام از این پارامترها در ۵ باند محاسبه میشوند یعنی در مجموع ۱۵ ویژگی هارمونیک به دست میآید.
SWI (شاخص آهستگی موج): این ۳ ویژگی شاخص آهستگی موج را برای زیر باندهای دلتا (DSI)، تتا (TSI) و آلفا (ASI) محاسبه میکند .
۳-۲-۲ ویژگیهای آماری
از جمله این ویژگیها میتوان به میانگین، میانه، انحراف معیار، بیشینه مقدار، کمینه مقدار، چولگی و درجه اوج اشاره کرد که ما در این پژوهش از دو ویژگی چولگی و درجه اوج که جداکنندگی بیشتری از سایرین داشتند، بهعنوان ویژگیهای آماری استفاده کردیم.
۳-۲-۳ ویژگیهای زمانی
پارامترهای Hjorth: برای یک سری زمانی میزان فعالیت، تحرک و پیچیدگی یورث که همگی پارامترهایی اسکالر هستند که مجموعاً سه ویژگی به ما میدهند .
۴-۳-۳ ویژگیهای AR
در این روش سری زمانی به بازههای کوچکتر تقسیم میشود، با این کار اطلاعات فرکانسی کمتری از دست میروند. در حقیقت خروجی در هر لحظه بهصورت ترکیبی خطی از خروجیهای تا لحظه قبل به علاوه یک ورودی نویز سفید با میانگین صفر تعریف میشود. این روش ویژه سیگنالهای ایستا است درمورد سیگنالهای ناایستا مانند EEG باید به بازههای زیر ۲ ثانیه شکسته شوند تا بتوان قطعات سیگنال را ایستا فرض کرد و از این روش در مورد آنها استفاده کرد. همانطور که در بخش
پیش پردازش گفته شد، ما نیز دادهها را به بازههای یک ثانیهای شکستیم.
طبقهبندی
همانطور که در بخش مقدمه توضیح دادیم، از دو روش برای طبقهبندی استفاده کردیم. معیار استفاده شده برای سنجش کیفیت آن ها معیار CCR است که عبارت است از نسبت مجموع درایههای قطری ماتریس Confusion به مجموع کل درایههای این ماتریس. بدیهی است که هرچه این نسبت بزرگتر باشد، طبقهبندی بهتر صورت گرفته است.
طبقهبند ماشین بردار پشتیبان (SVM)
ماشین بردار پشتیبان، یک روش یادگیری بانظارت است که برای طبقهبندی و رگرسیون بهکار میرود. مقصود از با نظارت بودن این روش این است که بر اساس مجموعهای از دادههای آموزش (Training)، مدلی استخراج میشود که قابلیت پیشگویی برای هر نمونه جدید را به لحاظ قرارگیری در دستهها خواهد داشت.
ماشین بردار پشتیبان، با ایجاد یک یا مجموعهای از ابرصفحهها (Hyper Planes) در فضای با ابعاد بالا ولی متناهی بردار ویژگی، آن را به چندین دسته جدا از هم تقسیم میکند. یافتن ابرصفحهای که بیشترین فاصله را از داده آموزش تمامی کلاسهای اطراف داشته باشد منجر به بهترین طبقهبندی میشود .
طبقهبند بیز
طبقهبند بیز ساده برای زمانی طراحی شده است که ویژگیهای هر کلاس مستقل از یکدیگر باشند، ولی در عمل مشاهده شده که این طبقهبند زمانی که فرض استقلال نیز برقرار نباشد، به خوبی عمل میکند. یادگیری بیزی در حالت کلی یک روش بسیار کاربردی است که کارایی آن در برخی زمینهها قابل قیاس با کارایی روشهایی مانند شبکه عصبی و درخت تصمیم میباشد.
طبقهبندی ساده بیزی برای مسائلی که هر نمونه x درآن توسط مجموعهای از مقادیر ویژگی و تابع هدف f(x) از مجموعهای مانند v انتخاب میگردد، کاربرد دارد. روش بیزی برای طبقهبندی نمونه جدید این است که محتملترین طبقه یا مقدار هدف Vmap را با داشتن مقادیر ویژگی که توصیف کننده نمونه جدید است، شناسایی کند.
حال با استفاده از دادههای آموزش سعی میکنیم تخمین بزنیم. محاسبه از روی دادههای آموزش به این صورت که میزان تکرار در دادهها چقدر است، آسان میباشد. اما محاسبه جملات مختلف به این صورت قابل قبول نخواهد بود مگر اینکه حجم بسیار زیادی از دادههای آموزش را در اختیار داشته باشیم.
مشکل اینجاست که تعداد این جملات برابر تعداد نمونههای ممکن ضرب در تعداد مقادیر تابع هدف است. بنابراین باید هر نمونه را چندین بار مشاهده کنیم تا تخمین مناسبی از آن به دست آید.
مجموعه دادههای آموزش یک ساختار بر اساس این دادهها تولید کردیم سپس دادههای آموزش را فراخوانی کرده و طبق این ساختار، طبقهبندی نمودیم.
ماتریس Confusion و معیار CCR محاسبه میشوند و به این ترتیب کیفیت عملکرد هر طبقهبند مشخص میشود. این روند بجز دادههای آموزش و تست برای دادههای ارزیابی نیز طی میشود تا قضاوت بی طرفتری حاصل شود.
استخراج الکترودهای مؤثر
روش انتخابی در این پژوهش برای کاهش تعداد الکترودها، استفاده از اطلاعات مشترک (MI) است که یکی از انواع روشهای Filter-based به شمار میرود. دلایل این انتخاب با استناد به مقالات و مطالعات گذشته عبارتند از:
تعداد دادهها و کانالهای اخذ سیگنال در این تحقیق، کم هستند (۱۹ کانال) و برای روشهایی مانند ICA، CSP و Wrapper-based مناسب نیستند.
حجم محاسبات روشهای Filter-based کمتر بوده و حتی برای دادههای با حجم بالا نیز بهتر از Wrapper-basedها عمل میکنند.
بر مبنای قریب به اتفاق تحقیقات، روش MI سازگارترین روش با طبیعت و سیگنالهای طبیعی مانند سیگنال مغزی است.
تمامی روشهای Filter-based دارای ۴ مرحله هستند که این مسئله شامل تئوری MI هم میشود:
۱) استخراج زیرمجموعه مؤثر. ۲) ارزیابی زیرمجموعه. ۳) برقراری شرط توقف. ۴) صحه گذاری.
بر مبنای یک روش جستجو، دانش قبلی یا یک الگوریتم تصادفی زیرمجموعهها انتخاب و مورد ارزیابی قرار میگیرند. در صورتی که هر زیرمجموعه نسبت به زیرمجموعه قبل از خود نتیجه ارزیابی بهتری داشت، جایگزین میشود و این روند تا جایی ادامه پیدا میکند که شرط توقف برقرار شود یعنی یا به تعداد کانالهای دلخواه برسیم و یا به نتیجه مطلوب برای ارزیابی.
ما در این پژوهش علیرغم داشتن دانش قبلی نسبت به محل حافظه فعال و ناحیه مؤثر مغز حین خواندن، از روش تصادفی برای انتخاب زیرمجموعهها استفاده کردیم تا در نهایت با به دست آمدن زیرمجموعه برتر در هر یک از ۵ سیگنال، این ناحیه با نتایج کارها و دانش قبلیمان مقایسه شود.
در روش تصادفی از بین ۱۹ الکترود از زیر مجموعههای ۹ تایی شروع کردیم در مرحله بعد زیرمجموعه را کوچک کردیم و به همین ترتیب یک به یک کم کردیم تا در مورد هر سیگنال به زیرمجموعه مطلوب با رسیدن به عدد ارزیابی دلخواه و برقراری شرط توقف رسیدیم.
جهت ارزیابی زیرمجموعههای تولید شده روشهای مختلفی وجود دارد که ما در این پژوهش از روش سنجش آنتروپی و میزان وابستگی خطی برای ارزیابی زیرمجموعهها استفاده کردیم. شرط توقف یا میتواند بر اساس تعداد الکترودها تعریف شود یا بر حسب تحقق عدد ارزیابی دلخواه. ما روش دوم را انتخاب کردیم و محدودیتی برای کاهش تعداد الکترودها قرار ندادیم تا نتیجه دقیقتری حاصل شود.
برای روش ارزیابی با ضرایب همبستگی، کاهش تعداد کانالها در زیرمجموعهها را تا جایی ادامه میدهیم که ضرایب بزرگتر از ۹۵/۰ در زیرمجموعه ظاهر شده و حفظ شوند. برای حالت آنتروپی نیز تا رسیدن به بزرگترین عدد آنتروپی ممکن، روند را ادامه دادیم.
جهت صحه گذاری و تأیید نتایج نهایی از خروجی طبقهبند استفاده کردیم. CCR حاصل از مجموعه کانالهای کاهش یافته موید کیفیت روند کاهش الکترود خواهد بود.
نمودارها و نتایج عددی
با توجه به حجم بالای محاسبات و نتایج در این قسمت تنها به ضمیمه کردن بخشی از نتایج مربوط به سیگنال اول بسنده خواهیم کرد. برای نمایش کل ۱۰ *۱۹ حالت از شکل ۱ استفاده کردیم.
برای بهدست آوردن ماتریس هموقوعی درایههای با مقدار کمتر از ۹۵/۰ را در ماتریس کو-واریانس صفر در نظر گرفته و مقادیر بزرگتر از آن را یک قرار دادیم. سپس بررسی کردیم که در کلاس مربوط به سیگنال اول گروه سالم، همبستگی بالای ۹۵/۰ یا همان مقدار “۱” چندبار رخ میدهد. نتیجه بهصورت زیر حاصل شد. درایه (۱و۱) نشاندهنده تعداد دفعاتی است که همبستگی بالای ۹۵/۰ بین الکترودها رخ میدهد.
همانطور که از جدول ۱ استخراج میشود تعداد دفعات وقوع همزمان همبستگی بالای ۹۵/۰، دوبار است که با نتیجه حاصل از ضرایب همبستگی تطابق دارد یعنی Fp1 و Fp2. علت دوبار بودن هم وقوعی نیز این است که ماتریس هم وقوعی یکبار حالت وقوع Fp1 همزمان با Fp2 را میشمرد و یکبار حالت معکوس را. مجموع حالتها نیز برابر با ۱۹*۱۹ یعنی ۳۶۱ حالت است.
در نهایت در مرحله صحه گذاری با حذف ۱۷ کانال دیگر، طبقهبندی را یکبار با دو الکترود پیشانی و بار دیگر با تکتک این دو الکترود و بار دیگر نیز با سایر الکترودها تکرار کردیم.
مشاهده میشود که با حذف سیگنالهای غیرمرتبط صحت طبقهبندی افزایش یافته است. این کار را تا سیگنال پنجم ادامه دادیم که به علت محدودیت از آوردن نتایج و جداول تمامی آنها معذوریم.
حال به محاسبه آنتروپی کانالها بهعنوان ملاک ارزیابی زیرمجموعهها پرداخته و مانند حالت قبل این کار را برای پنج سیگنال و هر سه گروه تکرار میکنیم. نمودار آنتروپی سیگنال اول را برای نمونه میبینیم. سپس الکترودهای برتر را در هر حالت از روی نمودار آنتروپی استخراج کرده و بر اساس آنها طبقهبندی جدید را انجام داده و نتیجه را در قالب یک نمودار با نتیجه اولیه مقایسه میکنیم.
با استفاده از نتایج نمودارها در دو بخش قبل مشاهده میشود که روش ارزیابی ضرایب همبستگی در کاهش تعداد الکترودها و بهبود صحت طبقهبندی موفقتر از روش آنتروپی است.
جمع بندی
با توجه به نتایج، طبقه بند SVM در جداسازی کودکان سالم و بیمار موفقتر است. این دست آورد با نتیجه تحقیقات Li، محمد نعیم و امیرحسین فرهادی هماهنگ است اما از طرف دیگر تحقیقاتی نیز وجود دارند که طبقهبند بیز را در تشخیص اختلالات با منشأ عصب-زیستی برتر میدانند.
بیشترین صحت بین ۵ سیگنال متعلق به سیگنال پنجم یعنی تکلیف P300 است. با توجه به توضیحاتی که در مورد ۵ سیگنال داده شد می دانیم تکلیف پنجم بیش از سایرین، حافظه فعال را درگیر میکند و این مسئله هم موید نقش حافظه فعال در حین عمل خواندن است و هم کم کاری این ناحیه در افراد نارساخوان. از طرف دیگر میتواند در راهنمایی در علم روانشناسی و فعالان آن در طراحی و استفاده از تکالیف شناختی مناسب باشد.
نکته جالب دیگر پیرامون مقایسه سیگنالها این است که سیگنال اول که در شرایط استراحت چشم بسته گرفته شده صحتی در حدود ۶۱/۰ دارد که حتی از حالت استراحت چشم باز نیز بهتر است. بهعبارت دیگر بین الگوی استراحت کودکان سالم و نارساخوان نیز تفاوت وجود دارد در حالیکه قریب به اتفاق تحقیقات در حوزه روان شناختی بر انجام تکالیف شناختی متمرکز هستند. بهعبارت دیگر بین الگوی استراحت کودکان سالم و نارساخوان نیز تفاوت وجود دارد در حالیکه اکثر تحقیقات در حوزه روانشناختی بر انجام تکالیف شناختی متمرکز هستند.
بحث دیگر در زمینه طبقهبندی، به طبقهبندی دادههای گروه آزمایش که تحت درمان قرار گرفتند و دو گروه داده سالم و کنترل (بیمار) مربوط میشود. همانطور که در فصل چهارم بیان شد تفکیک بین گروه آزمایش و سالم در محدوده ۵۰-۴۰ درصد قرار داشت و صحت گروه دوم بین ۵۰ تا ۶۰ درصد.
کمتر بودن تفکیک بین دو گروه سالم و آزمایش نسبت به دو گروه آزمایش و کنترل نشان میدهد گروه آزمایش به حالت سالم نزدیکتر هستند از طرفی درصد تفکیک گروه آزمایش و کنترل کمتر از گروه سالم و کنترل است. اهمیت این مطلب در این است که درمانهای رایانهای و تمرکزی متفاوتی توسط روانشناسان برای درمان کودکان نارساخوان استفاده میشود لذا این نتایج میتواند در انتخاب تمرینهای مناسبتر مؤثر واقع شود.
از طرف دیگر کانالهای گزینش شده از طریق دو روش را میتوان به لحاظ سازگاری با رفتار مغز تحلیل کرد. برای مثال در مورد سیگنال اول در روش ضرایب همبستگی میبینیم که الکترودهای ناحیه پیش پیشانی یعنی Fp1 و Fp2 بهعنوان مؤثرترین کانالها انتخاب شدند و در روش آنتروپی، الکترودهای F7، Fz و ،T3 الکترودهای بهینه بودند؛ همانطور که میدانیم مغز انسان سالم در حال استراحت موج آلفا ایجاد میکند که بیشتر از نواحی پسسری (Occipital)، جداری (Parietal) و گاهی نیز از ناحیه قدامی (Frontal) خارج میشود.
از سوی دیگر با توجه به سن افراد تحت آزمایش که کودکان هستند، انتظار خروج طیف تتا که از نواحی جداری و گیجگاهی (Temporal) خارج میشود، نیز میرود. بنابر آنچه گفته شد نتیجه میگیریم الکترودهای به دست آمده از روش آنتروپی در مورد سیگنال اول، سازگاری بهتری با رفتار مغز دارند زیرا علاوه بر ناحیه قدامی، قسمت گیجگاهی (T3) را نیز شامل میشوند.
نوآوری این پژوهش در نو بودن موضوع آن است. متاسفانه شناخت و پیگیری بیماری نارساخوانی در کشورمان ایران قدمت زیادی ندارد و اکثر پژوهشهای صورت گرفته در این زمینه نیز بُعد روانشناسانه موضوع را پوشش دادهاند. در باب طبقهبندی این کودکان با ابزار مهندسی کارهایی صورت گرفته است اما پرداختن به جنبه الکترودهای مؤثر برای تشخیص این بیماری در حد تحقیق اینجانب برای نخستین بار انجام شده است.
در این پژوهش قصد داشتیم به الگوریتمی جهت تشخیص کودکان نارساخوان از سالم برسیم. بهترین نتیجه قبل از کاهش الکترود، تفکیک ۷۲ درصدی سیگنال پنجم بود که پس از آن نیز تغییر نکرد. با توجه به کارهای مشابه تفکیک ۷۲ درصدی معقول به نظر میرسد. به نظر میرسد اگر بتوان از دو معیار خطی ضرایب همبستگی و غیرخطی آنتروپی بهصورت موازی و نه مقابل هم استفاده کنیم به نتایج دقیقتری میرسیم.
فرمول ها
منابع مقاله
۱- فرهادی، امیرحسین، بررسی سیگنال مغزی کودکان نارساخوان تحت تکالیف شناختی قبل و بعد از درمان، کارشناسی ارشد، دانشگاه تهران، تهران، ۲۰۱۴٫
۲- B. Sklar, J. Hanley, and W. W. Simmons, “An EEG experiment aimed toward identifying dyslexic children,” Nature, vol. 240, pp. 414–۴۱۶, ۱۹۷۲٫
۳- A. M. Galaburda, and T. L. Kemper, “Cytoarchitectonic abnormalities in developmental dyslexia: A case study,” Annals of Neurology, vol. 6, pp. 94–۱۰۰, ۱۹۷۹٫
۴- A. C. Guyton, and J. E. Hall, “Textbook of Medical Physiology,” Elsevier Inc., 11th Edition, 2006.
۵- F. Sh. Bao, X. Liu, and Ch. Zhang, “PyEEG: An Open Source Python Module for EEG/MEG Feature Extraction,” Computational Intelligence and Neuroscience, vol. 2011, Article ID 406391, pp. 1-7, 2011.
۶- M. Naeem, “Dimensionality Reduction and Classification of Time Embedded EEG Signals,” Master Thesis, Department of Computer Science, Colorado State University, Fort Collins, Colorado, 2007.
۷- K. Li, “Advanced Signal Processing Techniques for Single Trial Electroencephalography Signal Classification for Brain Computer Interface Application,” Graduate school theses and dissertations, University of south Florida (USF), 2010.
۸- W. Zhu, and L. Zhang, “Feature Selection Based on Mutual Information in Supervised Learning,” Seventh International Conference on Natural Computation (ICNC 2011), Donghua University, Shanghai, China, pp. 1502-6, 2011.
۹- V. Gerla, “Automated Analysis of Long-Term EEG Signals,” Doctoral Thesis, Faculty of Electrical Engineering, Department of Cybernetics, The Czech Technical University in Prague, Prague, Czech Republic, 2012.
۱۰- H. Simões, G. Pires, U. Nunes, and V. Silva, “Feature extraction and selection for automatic sleep staging using EEG,” ۲۰۰۷٫
۱۱- S. Theodoridis, and K. Koutroumbas, “Pattern Recognition,” Elsevier Academic Press, Second Edition, ISBN. 0-12-685875-6, 2003.