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

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.