سعید داوری - کارشناسی ارشد، هوش مصنوعی، دانشگاه شهاب دانش قم، قم، ایران
حسام الدین جعفری - کارشناسی ارشد، هوش مصنوعی، دانشگاه شهاب دانش قم، قم، ایران

تشنج صرعی گروهی از اختلالات است که با تخلیه های مکرر در قشر مغز مشخص می شود که منجر به اختلال نامنظم در عملکرد مغز می گردد. تشخیص صرع با بازبینی بصری سیگنال EEG به ویژه برای ثبت های طولانی مدت بسیار زمان بر است و ممکن است نادرست باشد؛ بنابراین، تشخیص تشنج های صرعی در سیگنال های EEG یک ابزار مهم در تشخیص صرع است. در این مطالعه، روشی با استفاده از ویژگی های سیگنال های EEG برای تشخیص تشنج پیشنهادشده است. ابتدا، از تکنیک پنجره کشویی برای تقسیم بندی ضبط های EEG استفاده شده است ویژگی ها شامل ویژگی های مبتنی بر تجزیه وتحلیل منحنی بازگشت، انرژی نسبی بر اساس ضریب موجک، گشتاورهای آماری، آمار مرتبه بالا، ویژگی های جورت و آنتروپی تقریبی محاسبه شده است. درنهایت، ویژگی های انتخاب شده توسط الگوریتم ژنتیک به عنوان بردار ویژگی به طبقه بندی کننده شبکه عصبی به منظور تمایز بین بخش های EEG سالم، تشنج و فواصل بین تشنج اعمال شده اند. علاوه بر این، ماهیت سیگنال های مغزی در حالت های مختلف با استفاده از منحنی بازگشت موردبررسی قرارگرفته است. عملکرد روش پیشنهادی با استفاده از یک پایگاه داده معیار که در دسترس عموم قرار دارد برای موارد طبقه بندی مختلف شامل موارد (سالم، فاصله بدون تشنج، تشنج)، (سالم و تشنجی)، (غیر تشنج و تشنج)، (فواصل بین تشنج و تشنج) موردبررسی قرارگرفته است. الگوریتم پیشنهادی میانگین دقت ۱۰۰٪ را پس از استفاده از الگوریتم ژنتیک برای همه موارد ارائه می دهد. نتایج نشان می دهد که با استفاده از الگوریتم ژنتیک برای انتخاب ویژگی، عملکرد روش پیشنهادی افزایش می یافته است.

تشخیص تشنج، استخراج ویژگی، آنالیز منحنی بازگشتی، آنتروپی تقریبی، تبدیل ویولت، الگوریتم ژنتیک.