پیش بینی صرع با استفاده از سیگنال EEG برمبنای ویژگی های غیر خطی و طبقه بند فیشر
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: 1,845
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ECMECONF01_023
Index date: 18 May 2019
پیش بینی صرع با استفاده از سیگنال EEG برمبنای ویژگی های غیر خطی و طبقه بند فیشر abstract
صرع دومین بیماری حاد عصبی بعد از سکته مغزی است کهمعمولا با تشنج های ناگهانی همراه است و به دلیل آشفتگی های زودگذر مغز، به طور ناخودآگاه و غیرقابل پیش بینی روی می دهد. در این مقاله به منظور پیش بینی تشنج های صرعی با استفاده از استخراج ویژگی های غیرخطی و طبقه بندی با الگوریتم های نزدیک ترین همسایگی((KNN، فیشر((Fisher و شبکه عصبی MLP به طبقه بندی سیگنال های EEG پرداخته شده است. این پژوهش با استفاده از داده های 24 ساعتی سیگنال EEG مردان و زنان در بازه ی سنی 12 تا 65 سال که در بخش LTM مرکز تحقیقات مغز و اعصاب بیمارستان امام خمینی (ره) تهران بستری شده اند، انجام شده است. پس از پیش پردازش و حذف عوامل مخرب سیگنال، جهت استخراج ویژگی ابتدا با استفاده از تبدیل ویولت گسسته (DWT) سیگنال مغزی به مولفه های فرکانسی معنادار تجزیه شده است، سپس ویژگی های غیرخطی از قبیل بعد فراکتال، توان هرست، بعد همبستگی، آنتروپی تقریبی، آنتروپی نمونه و آنتروپی فازی از سیگنالهای فریم بندی شده استخراج شده است. پس از استخراج ویژگی، مرحله ی 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، فیشر و شبکه عصبی MLP طبقه بندی دیتای ورودی انجام شد. نتایج به دست آمده نشان می دهد که روش پیشنهادی با استفاده از طبقه بندی فیشر قادر است با متوسط صحت 93.18 %، متوسط حساسیت % 98.02 و متوسط اختصاصیت % 90.01 حملات صرع را پیش بینی کند.
پیش بینی صرع با استفاده از سیگنال EEG برمبنای ویژگی های غیر خطی و طبقه بند فیشر Keywords:
پیش بینی صرع با استفاده از سیگنال EEG برمبنای ویژگی های غیر خطی و طبقه بند فیشر 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