logo
دوره 28، شماره 1 - ( زمستان 1400 )                   جلد 28 شماره 1 صفحات 127-98 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Malekzadeh A, Zare A, Yaghoubi M, Alizadehsani R. A Method for Epileptic Seizure Detection in EEG Signals Based on Tunable Q-Factor Wavelet Transform Method Using Grasshopper Optimization Algorithm With Support Vector Machine Classifier. Intern Med Today 2021; 28 (1) :98-127
URL: http://imtj.gmu.ac.ir/article-1-3796-fa.html
ملک زاده انیس، زارع آصف، یعقوبی مهدی، علیزاده ثانی روح الله. تشخیص تشنج صرع در سیگنال‌های EEG با استفاده از طبقه‌بندی TQWT و SVM-GOA. طب داخلی روز. 1400; 28 (1) :98-127

URL: http://imtj.gmu.ac.ir/article-1-3796-fa.html


1- گروه مهندسی برق، دانشکده مهندسی برق، واحد گناباد، دانشگاه آزاد اسلامی، گناباد، ایران.
2- گروه مهندسی برق، دانشکده مهندسی برق، واحد گناباد، دانشگاه آزاد اسلامی، گناباد، ایران. ، assefzare@gmail.com
3- گروه مهندسی برق، دانشکده مهندسی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.
4- مؤسسه تحقیقات و نوآوری سیستم‌های هوشمند (IISRI)، دانشگاه دیکین، جیلونگ، استرالیا.
چکیده:   (2496 مشاهده)
اهداف: صرع یک بیماری اختلال مغزی است که کیفیت زندگی افراد را تحت تأثیر قرار می‌دهد. اگر در مراحل اولیه تشخیص داده شود، گسترش نخواهد یافت. سیگنال‌های الکتروانسفالوگرافی برای تشخیص تشنج‌های صرع استفاده می‌شود. با این حال، این سیستم غربالگری نمی‌تواند حالت‌های تشنج صرع را دقیقاً تشخیص دهد. با وجود این، با کمک سیستم‌های تشخیصی به کمک رایانه (CADS)، متخصصان مغز و اعصاب می‌توانند مراحل تشنج صرع را به‌درستی تشخیص دهند. هدف از این مطالعه تشخیص تشنج صرع با استفاده از سیگنال‌های EEG و تشخیص مراحل مختلف آن است. CADS پیشنهادی در این مطالعه با استفاده از ویژگی‌های آماری و غیرخطی مختلف، قادر به تشخیص دقیق و سریع تشنج‌های صرع است. بنابراین، این سیستم می‌تواند به متخصصان مغز و اعصاب در تشخیص دقیق‌تر کمک کند.
مواد و روش ها: این مقاله بر روی یک روش جدید برای تشخیص تشنج صرع بر اساس سیگنال‌های الکتروانسفالوگرام با استفاده از تکنیک‌های هوش مصنوعی (AI) تأکید می‌کند. ابتدا از مجموعه داده بن برای آزمایشات استفاده می‌شود و سیگنال‌های الکتروانسفالوگرام به فواصل پنج‌ثانیه‌ای تقسیم می‌شوند. سپس تبدیل موجک عامل q قابل تنظیم برای تجزیه‌و‌تحلیل سیگنال‌های الکتروانسفالوگرام به زیر باندهای مختلف استفاده شد. چند ویژگی آماری و غیرخطی (ابعاد فراکتال FDs)) و آنتروپی) زیرباندهای تبدیل موجک عامل Q قابل تنظیم برای روش‌های استفاده‌شده در آنتروپی و فرکتال استخراج می‌شوند. در روش بعدی از روش هوش مصنوعی با لایه‌های پیشنهادی برای کاهش ویژگی‌ها استفاده می‌شود و در‌نهایت الگوریتم‌های طبقه‌بندی مختلف مانند دستگاه بردار پشتیبانی با الگوریتم بهینه‌سازی ملخ (SVM-GOA)، نزدیک‌ترین همسایه K-Nearest Neighbors ،(KNN) و جنگل تصادفی استفاده می‌شوند. استفاده از AE برای کاهش ویژگی و SVM-GOA برای طبقه‌بندی، نشان‌دهنده تازگی این مطالعه است.
یافته ها: با توجه به نتایج، روش پیشنهادی، تشخیص تشنج صرع عملکرد بهتری را در مقایسه با کارهای مرتبط نشان داد. روش طبقه‌بندی پیشنهادی SVM-GOA دارای میزان دقت بالاتری به میزان 99/42 و 99/23 درصد برای مشکلات طبقه‌بندی دوکلاسه و چند‌کلاسه است.
نتیجه گیری: ترکیب ویژگی‌های مؤثر در تشخیص دوره‌های تشنج صرع همراه با روش‌های طبقه‌بندی مناسب، دقت CADS را افزایش می‌دهد. با توجه به اهمیت تشخیص انواع حملات صرع، یک CADS با دقت بالا در این کار معرفی شده است. دقت بالا، استفاده از روش‌های مختلف برای استخراج ویژگی‌ها و طبقه‌بندی از جمله مزایای روش پیشنهادی ماست.
متن کامل [PDF 8937 kb]   (965 دریافت) |   |   متن کامل (HTML)  (2598 مشاهده)  
نوع مطالعه: پژوهشی | موضوع مقاله: مطالعه بيماری‌ها
دریافت: 1400/6/27 | پذیرش: 1400/9/13 | انتشار: 1400/10/11

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.