بهبود دسته بندی سیگنال های الکترو انسفالوگرافی با استفاده از شبکه های باور عمیق و ماشین بردار پشتیبان جهت تشخیص حملات در بیماران صرع

صرع یک مشکل عصبی است که در بیماران صرعی با تخلیه الکتریکی غیر نرمال از طرف مغز انجام م یشو د .بس یاری از مطالعات نشان داده اند که سیگنال الکتروانسفالوگرافی مهم ترین سیگنالی است که برای دسترسی به فعالیت های مغز و تش خیص مشکلات متفاوت مغز مورداستفاده قرار م یگیرد .در این مطالعه، فیلتر باند گذر Butterworth بر ای پ یش پرداز ش تجزی ه س یگنا له ای الکتروانسفالوگرافی در 5 باند فرکانسی پیاده سازی و مورداستفاده قرارگرفته است .به علاوه ویژگ یهای متفاوتی مثل انرژی ، انحراف معیار و آنتروپی نیز از زیر باندهای دلتا، تتا، آلفا، بت ا و گاما استخراج و محاسبه شدند .در کاره ای انجا م شده ویژگ یه ای استخراج شده به دسته بند ماشین بردارپشتیبان ب همنظور تشخیص حملات صرع یا عدم حمله، داد هشده که منجر ب هدقت 95 درصدی شده است.در این مقاله نشان م یدهیم که با کمک شبکه های باور عمی ق در جهت استخراج ویژگ یه ا و ماش ین بردار پشتیبان برای دست هبندی ، م یتوان دقت بالاتری در دسته بندی سیگنا لهای حمله صرعی و معمول صرعی به دست آورد

Keywords:

دسته بندی , صرع , الکتروانسفالوگرافی , ماشین بردارپشتیبان , شبکه های باورعمیق