شناسایی صرع بر اساس بهینه سازی ویژگی های ادغامی تبدیل هارتلی با مدل ترکیبی MLP و GA همراه با استراتژی یادگیری ممتیک
Publish place: Tabriz Journal of Electrical Engineering، Vol: 45، Issue: 4
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 359
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TJEE-45-4_005
تاریخ نمایه سازی: 10 تیر 1396
Abstract:
یکی از مسایل مهم در پردازش سیگنال های EEG، تشخیص حمله صرع است. در این مقاله، یک الگوریتم تشخیص و طبقه بندی سیگنال های مغزی حاوی حمله سرع از سیگنال های بدون حمله بر اساس ادغام ویژگی های تبدیل هارتلی پیشنهاد شده است. در این الگوریتم، علاوه بر استخراج ویژگی های معمول زمانی و فرکانس مانند آنتروپی طیفی و چگالی طیف توان، یک ویژگی جدید مبتنی بر ادغام ویژگی های مستخرج از تبدیل هارتلی تعریف می شود. برای تعریف این ویژگی جدید، ویژگی های مستخرج از تبدیل هارتلی براساس یک سناریوی ماتریس کرنلی ادغام می شوند. جهت بهینه کردن و کاهش ابعاد بردار ویژگی مستخرج از سیگنال های مغزی، از یک مدل ترکیبی الگوریتم ژنتیک تحت استراتژی آموزش ممتیک و شبکه عصبی چند لایه پس انتشار خطا استفاده می شود. طبقه بندی نهایی بر روی این ویژگی های بهینه شده توسط یک شبکه عصبی پرسپترون با یک لایه پنهان انجام می شود و به طور میانگین صحت 95/32% را در طبقه بندی سیگنال های صرعی فراهم می کند.
Keywords:
Authors
مرتضی به نام
دانش آموخته کارشناسی ارشد، دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، اصفهان، ایران
حسین پورقاسم
دانشیار، دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، اصفهان، ایران