شناسایی حملات صرعی بر مبنای استخراج الگوی دوبعدی زمان - فرکانسی سیگنالالکتروانسفالوگرام و کاربرد شبکه عصبی عمی ق کانولوشنی

Publish Year: 1402
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 12

This Paper With 11 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

DMCE01_048

تاریخ نمایه سازی: 23 تیر 1403

Abstract:

صرع یک اختلال عصبی در سیستم اعصاب مرکزی و محیطی است. حدود ۶۰ میلیون نفر در جهان به حملات صرعی مبتلاهستند؛ به صورتی که دومین عامل شایع اختلالات مزمن عصبی را حملات صرعی تشکیل می دهند. در این مطالعه یک روش شناساییو محلی سازی کانون حمله صرعی بر مبنای آنالیز موجک سیگنال الکتروانسفالوگرام و کاربرد شبکه عصبی کانولوشنی عمیق ارائه می شود.بدین منظور یک الگوریتم پنج مرحله ای پیشنهاد شده است. در گام اول که جمع آوری داده است، مجموعه ۲۵۰ داده الکتروانسفالوگرام۲۳ کانال مبتنی بر استاندارد ۱۰ - ۲۰ از آرشیو داده بیمارستان امین اصفهان برای بیماران قبل از وقوع حمله و حین وقوع حمله صرعاخذ و جمع آوری شد. پایگاه داده جمع آوری شده شامل برچسب وقوع حمله یا عدم وقوع و همچنین برچسب کانون حمله صرع است. درگام دوم مجموعه داده ها به عنوان ورودی یک بلوک پیش پردازشی برای کاهش در نویز سیگنال در نظر گرفته می شود. بدین منظور ازیک فیلتر حوزه فرکانس پاسخ ضربه محدود میان گذر بین ۵ / ۰ تا ۷۰ هرتز استفاده شده است. در گام سوم که یک بلوک پردازشگر است،توزیع زمان - فرکانسی بر مبنای محاسبه انسفاکلوگرام برای هر کانال از سیگنال های پیشپردازش شده استخراج می شود. اسکالوگراممربوط به ۲۳ کانال به صورت یک تصویر دوبعدی مونتاژ می شود و با این روش میتوان به یک تصویر دربردارنده اطلاعات توزیع زمان فرکانسی برای همه کانال ها دست یافت. در گام چهارم تصویر به دست آمده به عنوان ورودی ساختار طبقه بندی متداول و ساختارهایطبقه بندی عمیق در نظر گرفته می شوند. در گام پنجم از دو تکنیک برای محلی سازی کانون حمله صرع استفاده می شود. در روش اولاز روش حذف بر مبنای حداقل آنتروپی و در روش دوم از شبکه عصبی کانولوشنی بهره گیری می شود. نتایج حاصل از شبیه سازی نشانداده است که طبقه بندی کننده نزدیک ترین همسایه و ماشین بردار پشتیبان با کرنل غیرخطی دقت بالای ۹۶ درصد را در طبقه بندی ازساختارهای یادگیری ماشین و شبکه عصبی کانولوشنی عمیق صحتی بالاتر از ۹۸.۵ درصد را برای ساختارهای یادگیری عمیق به همراهداشته است. همچنین در محلی سازی کانون حمله صرع در شرای طی که سیگنال نسبت سیگنال به نویز پایین تری دارد، شبکه عصبیکانولوشنی عمیق درصد منفی کاذب را کاهش می دهد و صحت محلیسازی را از ۸۳ درصد برای آنترو پی به ۹۶ درصد برساند

Authors

فاطمه جعفری

گروه مهندسی پزشکی، واحد خمینی شهر، دانشگاه آزاد اسلامی، خمینی شهر، ایران

سیدایمان موسویان

استادیار، گروه مهندسی پزشکی، واحد خمینی شهر، دانشگاه آزاد اسلامی، خمینی شهر، ایران

فاطمه لطفی

گروه مهندسی برق ، دانشگاه صنعتی مالکاشتر، لویزان، تهران، ایران