شناسایی صرع کانونی و غیر کانونی با استفاده از روش های یادگیری ماشینی

صرع یک اختلال عملکردی گذرا در مغز است که در نتیجه تخلیه الکتریکی غیر طبیعی در سلول های عصبی مغز ایجاد می شود، بنابراین تشخیص زودهنگام و صحیح این بیماری از اهمیت بالایی برخوردار است. در این مطالعه از داده های الکتروانسفالوگرافی استفاده شدهاست. ابتدا، سیگنال های EEG برای شناسایی و حذف کانال های معیوب از قبل پردازش می شوند. همچنین نویزها و آرتیفکت ها کاهش می یابد و سیگنال نهایی برای پردازش اصلی آماده می شود. در ادامه مدلی برای استخراج ویژگی های علی از این سیگنال ارائهشده است. این مدل بر اساس ارتباط موثر و علی انتخاب شده است. در این پروژه از روش های تابع تشابه شباهت، علیت گرنجر، همبستگی متقاطع و تابع انتقال مستقیم جهت دار استفاده می شود. ما از آن برای محاسبه ارتباطات مغزی استفاده خواهیم کرد. تعدادویژگی هایی که می توان استخراج کرد متناسب با تعداد کانال های سیگنال های الکتروانسفالوگرافی خواهد بود. سپس برای ترکیب ماتریس ها، ماتریس اتصال هر ۴ روش را با هم ترکیب می کنیم و یک ماتریس برای ورود به شبکه کانولوشن می سازیم. شبکه های عصبی ابزارهای مفیدی با کاربردهای فراوان هستند که یکی از کاربردهای اصلی آنها تقریب توابع می باشد، به همین دلیل استفاده از این ابزار به دلیل طبقه بندی و تشخیص خودکار و سریعتر همواره مورد توجه و استفاده قرار می گیرد. بنابراین در ادامه این مطالعه با استفاده از شبکه عصبی بیماران به دو دسته صرع کانونی و غیر کانونی طبقه بندی می شوند. نتایج نشان می دهد که روش پیشنهادی با دقت ۹۷/۶۰ درصد در مرحله آموزش، ۹۴/۴۰ درصد در مرحله اعتبار سنجی، ۹۵/۴۰ درصد در مرحله آزمون و ۹۶/۸۱ درصد در کل داده ها، عملکرد بهتری نسبت به سایر روش ها ارائه کرده است.

شناسایی صرع کانونی و غیر کانونی با استفاده از روش های یادگیری ماشینی Keywords:

صرع , صرع کانونی و غیر کانونی , یادگیری عمیق , ارتباطات مغزی , علیت گرنجر , شباهت همدوسی