پیش بینی حملات صرع با استفاده از مدل شبکه فازی - عصبی تطبیقی (ANFIS) بهینه سازی شده توسط الگوریتمهای هم تکاملی
Publish place: 16th Iranian conference on Biomedical Engineering
Publish Year: 1388
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 3,119
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICBME16_137
تاریخ نمایه سازی: 11 تیر 1388
Abstract:
تا حدود 40 سال پس از شناسایی حمله های صرع توسط دانشمندان علوم اعصاب، این تصور در میان آنها وجود داشت که حمله های صرع کاملاً تصادفی و به طور ناگهانی بروز میکنند اما امروزه با پیشرفت علوم ریاضی و مهندیس این حملات را چند دقیقه و یا حتی چند ساعت قبل نیز می توان پیش بینی کرد. در این راستا الگوریتم های مختلفی برای پیش بینی بلندمدت زمان و تعداد حملات صرع با توجه به اولین حمله ارائه شده است. در این مقاله با توجه به رفتار غیرخطی سیگنالهای مغزی و نیز دینامیک بودن سیگنالهای ضبط شده مغزی، شبکه فازی - عصبی تطبیقی (ANFIS) برای پیشبینی حملات صرع ارائه شده است زیرا با توجه به ساختار فیزیولوژیکی شروع حمله صرع، ساختارهای پیچیده تر عصبی توانایی بهتری در مدلسازی سیگنال در زمان حمله دارند. ابتکار این مقاله، کاربرد الگوریتم های هم تکاملی همکارانه در بهینه سازی پارامترهای شبکه ANFIS است. هدف پیش بینی حملات صرع براساس سری زمانی بدست آمده از سیگنالهای مغزی افراد مبتلا به صرع با استفاده از شبکه ANFIS می باشد. نتایج نشان می دهد که این روش در مقایسه با سایر روشها جدا از افزایش دقت پیش بینی، از نظر کاهش حساسیت نسبت به عدم قطعیتهایی نظیر وجود اختلال و نویز در سیگنالهای ضبط شده مغزی نیز برتری دارد. توانایی پیش بینی بلندمدت حملات صرع، نویدبخش استفاده از دستگاههای قابل کاشت در بدن بیمار برای هشدار جهت مصرف دارو و پیشگیری از بروز حملات صرع است
Keywords:
Authors
نازنین سیدحجازی
دانشگاه فردوسی مشهد، دانشجوی کارشناسی ارشد مهندسی برق کنترل، پژوهشک
محمدرضا اکبرزاده توتونچی
دانشگاه فردوسی مشهد، استادیار گروه مهندسی برق و کامپیوتر، پژوهشکده س
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 :