ارائه روشی نو در تشخیص خودکار اسپایک های صرعی با استفاده از تلفیق ICA و فیلتری بر اساس Autoassociative مبتنی بر شبکه های عصبی و تبدیل ویولت

تشخیص خودکار بیماری صرع بدون نیاز به خواندن ثبت طولانی مدت EEG بارها و بارها در مقالات مطرح و به آن پرداخته شده است، ولی تاکنون تشخیص سنتی این اسپایک ها با مشاهده نوار مغزی بیمار به وسیله پزشک انجام می شود . این روش ه ای سنتی و سایرسیستم های تشخیص اسپایکهای صرعی به دلیل همپوشانی پیک ها و یا به دلیل پایین بودن سیگنال به نویز کاملأ قابل اطمیناننیستند، چون نمی توان پیک ها را از هم جدا کرد . با توجه به ناپایداری های متعددی که وجود دارد، استفاده از روشهای پیش پردازش درتشخیص اسپایک صرعی، در حضور فعالیت پس زمینه و نویز و سیگنال های ناخواسته، بسیار مناسب است .هدف این تحقیق افزایش کیفیت آشکار سازی فعالیت حملات صرعی در EEG با استفاده از روشهای پردازشی ICA و فیلتر Autoassociative مبتنی بر شبکه های عصبی و تبدیل ویولت می باشد. برای حذف نویز و آرتیفکتهای حیاتی از EEG از ICA استفاده شده است. پس از حذف نویز و آرتیفکت از EEG با استفاده از فیلتر Autoassociative مبتنی بر شبکه های عصبی، فعالیت پس زمینه EEG تا حد ممکن ضعیف می گردد و به این ترتیب نسبت سیگنال به نویز برای فعالیت حملات صرع افزایش می یابد. نهایتاً در خروجی این فیلتر عصبی صرعی بودن یا نبودن سیگنال غیر ایستان EEG به راحتی توسط تبدیل ویولت db4 مشخص شود. دلیل ا نتخاب db4 این است که فیلترهای مرتبه بالاتر دارای نوسان می باشند و فیلترهای درجه پائین، زبرتر می باشند. بنابراین مناسب ترین فیلتر db4 می باشد.

Keywords:

artificial neural network , EEG analysis , epileptic spikes