تحلیل سیگنال های الکتروانسفالوگرافی برای تشخیص صرع در بیماران تشنجی

امروزه با توسعهی فناوری در حوزه ی پزشکی، الکتروانسفالوگرافی دامنه ی وسیعی از شرایط تشخیصی را در اختیار متخصصان قرار می دهد که کاربردهای بالینی فراوانی دارد. مدل سازی پیش بینی الکتروانسفالوگرام می تواند علاوه بر استخراج مفاهیم قابل توجه، برای اثبات تشخیص صرع بکار گرفته شود. در سال های اخیر، تجزیه و تحلیل های مبتنی بر پیش بینی نشان دادند که رویکردهای داده محور می توانند با ادغام مجموعه داده های بالینی و تکنیک های یادگیری ماشین، به عنوان یک سیستم واحد و هوشمند نتایج مراقبهای بهداشتی را ارائه دهند. در این پژوهش یک روش جهت بهبود تشخیص تشنج صرعی از سایر حالت های ضبط شده توسط دستگاه الکتروانسفالوگرام ارائه شد. روش پیشنهادی با استفاده از قاب بندی داده های سری زمانی، محاسبهی انحراف معیار از داده های درون قاب، انتخاب مهمترین ویژگی های توسط الگوریتم ریلیف و آستانه یابی الگوریتم ژنتیک، توانست بردار ویژگی را بهینه نماید. نتایج بدست آمده از طبقه بندی یادگیری عمیق با ۶ لایهی پیشنهادی نشان می دهد که روش پیشنهادی قادر است با دقت۹۹ . ۴۰٪ ، حساسیت ٪۹۹ . ۲۵ و اختصاصیت ٪ ۱۰۰ تشنج صرعی را از سایر وضعیت های موجود روی مجموعه دادگان بیماران تشنج صرعی نسخه بازسازی شده دانشگاه بن المان افتراق دهد که در معیار دقت طبقه بندی به میزان ٪۱۰۳ بهبود نسبت به الشرهان و همکاران نشان می دهد.

Keywords:

تشخیص تشنج صرعی , تحلیل سیگنال پزشکی , طبقه بندی داده های سری زمانی , الگوریتم یادگیری عمیق , الگوریتم ریلیف