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

صرع یک مشکل عصبی است که در بیماران صرعی با تخلیه الکتریکی غیر نرمال از طرف مغز انجام می شود. بسیاری از مطالعات نشان داده اند که سیگنال الکتروانسفالوگرافی مهمترین سیگنالی است که برای دسترسی به فعالیتهای مغز و تشخیص مشکلات متفاوت مغز مورداستفاده قرار می گیرد. در این مطالعه، فیلتر باند گذر Butterworth برای پیش پردازش تجزیه سیگنال های الکتروانسفالوگرافی در 5 باند فرکانسی پیاده سازی و مورداستفاده قرارگرفته است. به علاوه ویژگی های متفاوتی مثل انرژی ، انحراف معیار و آنتروپی نیز از زیر باندهای دلتا، تتا، آلفا، بتا و گاما استخراج و محاسبه شدند. در کارهای انجامشده ویژگی های استخراج شده به دسته بند ماشین بردار پشتیبان بهمنظور تشخیص حملات صرع یا عدم حمله، داده شده که منجر به دقت 55 درصدی شده است.در این مقاله نشان می دهیم که با کمک شبکه های باور عمیق در جهت استخراج ویژگیها و ماشین بردار پشتیبان برای دسته بندی ، میتوان دقت بالاتری در دسته بندی سیگنال های حمله صرعی و معمول صرعی به دست آورد.

Keywords:

دسته بندی , صرع , الکتروانسفالوگرافی , ماشین بردارپشتیبان , شبکه های باور عمیق