معرفی مشخصه استخراج غیرخطی مبتنی بر ضرایب DT-CWT سیگنال های EEG مغز برای تشخیص تشنج‌های صرعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه ارومیه دانشکده برق و کامپیوتر

2 دانشگاه صنعتی ارومیه

3 دانشگاه آزاد اسلامی واحد مهدی شهر

چکیده

صرع نوعی بیماری مغزی است که با مشاهده سیگنال های EEG قابل تشخیص است. ابن بیماری غالبا در کودکان رخ می دهد. با این وجود، برخی از موارد در بزرگسالان نیز مشاهده می شود. تشخیص این بیماری در مراحل اولیه برای پزشکان یک وظیفه چالش برانگیز است. نویسندگان در این کار، سیگنال EEG صرعی و طبیعی را با اتخاذ رویکرد یادگیری عمیق کلاس‌بندی کرده‌اند. برای دست یابی به ویژگی های کارآمد، موجک مختلط درختی دوگانه (DTCWT) در نظر گرفته شده است. سپس، ضرایب موجک تجزیه شده به استخراج ویژگی غیرخطی اعمال می شود. این ویژگی ها به عنوان ورودی کلاس بند تابع پایه هیبریدی شعاعی (RBF) استفاده می گردند. با استفاده از روش پیشنهادی، حدود 99 درصد دقت کلاس بندی مشاهده می شود. این امر، نیازمند بهبود قابل توجه الگوریتم پیشنهادی در مقایسه با سایر الگوریتم های ارائه شده قبلی است. اولین بار است که جهت تشخیص صرع از استخراج ویژگی غیر خطی بر روی ضرایب DT-CWT یک سیگنال EEG استفاده می شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Introducing a non-linear feature extraction based on DT-CWT coefficients of EEG signals for detecting epileptic seizures

نویسندگان [English]

  • Ehsan Mostafapour 1
  • Afshin Koleiji 2
  • Mohsen Bahonar 3
  • Nematollah Ezzati 2
  • Abdollah Jafari Chashmi 3
1 Urmia University faculty of electrical and computer engineering
2 Urmia university of technology
3 Islamic Azad University, Mehdi Shahr Branch
چکیده [English]

صرع نوعی بیماری مغزی است که بررسی و تحلیل سیگنال‌های EEG قابل تشخیص است. بیماری صرع غالبا در کودکان رخ می دهد. با این وجود، برخی از موارد در بزرگسالان نیز مشاهده می‌شود. تشخیص این بیماری در مراحل اولیه برای پزشکان یک کار چالش برانگیز است. نویسندگان در این کار، سیگنال EEG صرعی و طبیعی را با اتخاذ رویکرد یادگیری ماشین کلاس‌بندی کرده‌اند. برای دست یابی به ویژگی‌های کارآمد، موجک مختلط درختی دوگانه در نظر گرفته شده است. سپس، از ضرایب موجک برای استخراج ویژگی غیرخطی ستفاده می‌شود. این ویژگی‌ها به عنوان ورودی کلاس بند تابع پایه هیبریدی شعاعی استفاده می‌گردند. با استفاده از روش پیشنهادی، حدود 99 درصد دقت کلاس‌ بندی مشاهده می‌شود. این امر، سبب بهبود قابل توجه الگوریتم پیشنهادی در مقایسه با سایر الگوریتم های ارائه شده قبلی است. با توجه به دانش نویسندگان، این اولین بار است که جهت تشخیص صرع از استخراج ویژگی غیر خطی بر روی ضرایب یک سیگنال EEG استفاده می‌شود.

کلیدواژه‌ها [English]

  • Epilepsy
  • k-means algorithm
  • Non-linear features
  • Radial basis function networks
  • Brain EEG classification
  • Feature reduction