تشخیص صرع به وسیله ویژگی های غیرخطی با پیچیدگی زمانی پایین
Publish place: Third National Conference and First International Conference on Applied Research in Electrical, Mechanical and Mechatronics Engineering
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 639
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ELEMECHCONF03_0759
تاریخ نمایه سازی: 9 مرداد 1395
Abstract:
با توجه به برآورد سازمان بهداشت جهانی، صرع شایع ترین اختلال عصبی مؤثر بر1% مردم جهان است. افراد مبتلا به صرع به دلیل عدم اطلاع از زمان شروع تشنج به مراتب بیشتر از یک فرد سالم در معرض خطر هستند. از این رو، مطالعه صرع همواره اهمیت زیادی را در زمینه پژوهش پزشکی دارد. رفتار الکتریکی مغز در سیگنال های الکتروانسفالوگرام مشهود است، لذا به دلیل ماهیت غیرخطی و پویای این سیگنال تشخیص صرع با بازرسی بصری دشوار می باشد. به همین منظور الگوریتم های تشخیص صرع خودکار به پزشک در این تشخیص کمک می کنند. ما در این مقاله الگوریتمی سه مرحله ای برای تشخیص خودکار صرع پیشنهاد داده ایم. در مرحله اول حجم سیگنال را با پنجره گذاری به طول مناسب کاهش داده و سپس به دلیل ماهیت غیرخطی سیگنال مغزی، سه ویژگی بعد همبستگی، توان هرست و بزرگ ترین توان لیاپانوف که ماهیت غیرخطی دارند از سیگنال مغزی استخراج می شوند. در نهایت دو طبقه بند بیزین و ماشین بردار پشتیبان به تعیین برچسب کلاس موردنظر می پردازد. نتایج حاکی از آن است که الگوریتم پیشنهادی ضمن داشتن کارایی قابل قبول، پیچیدگی بسیار پایینی نسبت به سایر روش ها دارد. از این رو برای استفاده در سیستم های آنلاین مراقبتی مناسب می باشد.
Keywords:
صرع , الکتروانسفانلوگرام , EEG , توان هرست , بعد همبستگی , بزرگترین توان لیاپانوف , بیزین , مکاشین بردار پشتیبان , SVM
Authors
سمیه زینی
گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران
سید عنایت الله علوی
گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :