پیش بینی حملات صرعی از روی سیگنال EEG با استفاده از طبقه بندی کننده های چند کلاسه
Publish place: The first national conference on applied research in electrical engineering, computer science and medical engineering
Publish Year: 1397
Type: Conference paper
Language: Persian
View: 1,561
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ECMECONF01_022
Index date: 18 May 2019
پیش بینی حملات صرعی از روی سیگنال EEG با استفاده از طبقه بندی کننده های چند کلاسه abstract
بیماری صرع یک اختلال نورولوژیکی در مغز انسان است که در افراد با سنین مختلف تاثیرات منفی میگذارد و موجب بروز خطراتی مانند ترومای منجر به مرگ می شود . با توجه به شدت و نوع حملات صرعی،معمولا از ثبت سیگنالهای مغزی که الکتروانسفالوگرافی نامیده می شود، استفاده میکنند. در این مطالعه به طبقه بندی سیگنال های EEG صرع جهت پیش بینی زمان وقوع تشنج با استفاده از یک روش ترکیبی شامل تبدیل ویولت گسسته (DWT)، استخراج ویژگی های غیرخطی و طبقه بندی نزدیک ترین همسایگی و ماشین بردار پشتیبان (SVM) پرداخته شده است. داده های EEG صرع استفاده شده شامل سه دسته کلی از زمان های اینترایکتال، پری ایکتال و ایکتال می باشند. پس از ثبت سیگنال، پیش پردازش جهت حذف آرتیفکت سیگنال ها انجام شد. سپس جهت استخراج ویژگی ابتدا با استفاده از تبدیل ویولت گسسته (DWT) سیگنال مغزی به مولفه های فرکانسی معنادار تجزیه شده است و در ادامه سیگنالها فریم بندی شده و سپس ویژگی های غیرخطی از قبیل بزرگترین توان لیاپانوف، توان هرست، بعد همبستگی، آنتروپی تقریبی و آنتروپی نمونه استخراج شده است. پس از استخراج ویژگی، مرحله طبقه بندی انجام شد، به شکلی که داده ها به سه دسته اینترایکتال، پری ایکتال و ایکتال طبقه بندی شدند. در این مرحله با استفاده از روش نزدیک ترین همسایگی و ماشین بردار پشتیبان خطی و غیرخطی، طبقه بندی دیتای ورودی انجام شد. مشاهده شد با استفاده از روش طبقه بندی ماشین بردار پشتیبان توانستیم به متوسط صحت 94. 58 %، متوسط حساسیت % 98. 62 و متوسط اختصاصیت % 91. 09 دست یابیم.
پیش بینی حملات صرعی از روی سیگنال EEG با استفاده از طبقه بندی کننده های چند کلاسه Keywords:
پیش بینی تشنج صرع , تبدیل ویولت گسسته((DWT , ویژگی غیرخطی , نزدیک ترین همسایه (KNN) , ماشین بردار پشتیبان (SVM)
پیش بینی حملات صرعی از روی سیگنال EEG با استفاده از طبقه بندی کننده های چند کلاسه authors
الناز محسنی
گروه بیوالکتریک،دانشکده مهندسی پزشکی دانشگاه آزاد اسلامی واحدتهران مرکزی تهران ایران
علیرضا کاشانی نیا
استادیارگروه مهندسی برق دانشگاه آزاد اسلامی واحدتهران مرکزی تهران ایران
عباس تفاخری
دانشیارگروه مغزواعصاب دانشگاه علوم پزشکی تهران تهران ایران