دوره 28، شماره 1 - ( زمستان- در حال انتشار 1400 )                   جلد 28 شماره 1 صفحات 0-0 | 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. Epileptic Seizure Detection in EEG signals Using TQWT and SVM-GOA Classifier. Horizon Med Sci. 2021; 28 (1)
URL: http://hms.gmu.ac.ir/article-1-3796-fa.html
ملک زاده انیس، زارع آصف، یعقوبی مهدی، علیزاده ثانی روح الله. تشخیص تشنج های صرعی از سیگنال های EEG با استفاده از TQWT و SVM-GOA. افق دانش. 1400; 28 (1)

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


1- دپارتمان مهندسی برق، دانشگاه آزاد اسلامی واحد گناباد، گناباد، ایران
2- دپارتمان مهندسی برق، دانشگاه آزاد اسلامی واحد گناباد، گناباد، ایران ، assefzare@gmail.com
3- دپارتمان مهندسی برق، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران
4- مرکز ایزری، دانشگاه دیکین استرالیا، جیلانگ، استرالیا
چکیده:   (415 مشاهده)
اهداف
هدف اصلی از این مقاله ارائه یک سیستم کمک تشخیص پزشکی (CADS) مبتنی بر هوش مصنوعی (AI) جهت تشخیص تشنج های صرعی از سیگنال های EEG است. در این کار، از ترکیب ویژگی های مختلف در کنار الگوریتم های اتواینکدر (AE) و ماشین بردار پشتیبان با روش بهینه سازی ملخ (SVM-GOA) جهت تشخیص دقیق تشنج های صرعی استفاده شده است. CADS پیشنهادی می تواند به متخصصان مغز و اعصاب در تشخیص دقیق تر کمک کند.  
روش ها و مواد
این مقاله یک روش هوشمند مبتن بر AI برای تشخیص خودکار تشنج های صرعی از سیگنال های EEG ارائه مشده است. روش پیشنهادی شامل مراحل شامل پیش پردازش، استخراج ویژگی، کاهش ویژگی و طبقه بندی است. در مرحله اول، ما از یک فیلتر باند گذر با فرکانس قطع 40-0.5 هرتز برای حذف نویزها استفاده کردیم. سپس، تبدیل TQWT برای تجزیه سیگنال EEG استفاده می شود. در مرحله دوم، ویژگی های مختلف خطی و غیر خطی از هر زیر باند TQWT استخراج می شود. در سه مرحله ، یک ایتواینکدر (AE) با لایه های پیشنهادی برای کاهش ویژگی استفاده می شود. در مرحله آخر، از چهار روش شامل ماشین بردار پشتیبانی (SVM) ، SVM با الگوریتم بهینه سازی ملخ (SVM-GOA) ، K نزدیکترین همسایه (KNN) و جنگل تصادفی (RF) برای طبقه بندی استفاده می شود.
نتایج
نتایج نشان می دهد که روش پیشنهادی دارای راندمان بالایی است. در این کار ، روش طبقه بندی پیشنهادی SVM-GOA با تکنیک های طبقه بندی مختلف مقایسه شده است. روش SVM-GOA پیشنهادی به دقت 99.42٪ برای طبقه بندی دو کلاس و دقت 99.23% مساله طبقه بندی چند کلاس دست یافته است.  
نتیجه گیری
با توجه به اهمیت تشخیص انواع تشنج های صرعی ، یک CADS با دقت بالا بر اساس هوش مصنوعی (AI) در این کار معرفی شده است. دقت بالا ، استفاده از روشهای مختلف برای استخراج و طبقه بندی ویژگیها از جمله مزایای روش پیشنهادی ما است.
     
نوع مطالعه: پژوهشی | موضوع مقاله: مطالعه بيماری‌ها
دریافت: 1400/6/27 | پذیرش: 1400/9/13 | انتشار: 1400/10/10

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

کلیه حقوق این وب سایت متعلق به مجله علمی پژوهشی افق دانش می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2022 CC BY-NC 4.0 | The Horizon of Medical Sciences

Designed & Developed by : Yektaweb