تشخیص حمله های صرعی از روی ضرایب موجک با استفاده از شبکه های عصبی مصنوعی و الگوریتم بهینه سازی انبوه ذرات (PSO)

سیگنال های الکتروانسفالوگرام (EEG)[i]، فعالیت های الکتریکی سلول های عصبی مغز را نشان می دهند. استخراج سیگنال EEG روشی غیرتهاجمی است که برای تشخیص فعالیت های غیرعادی مغز مفید است. تشنج یکی از انواع فعالیت های غیرعادی مغز و مهم ترین تظاهر بیماری صرع است. دشارژهای صرعی شکل (امواج سوزنی)[ii] مهم ترین مشخصه سیگنال های فرد درحال تشنج است. با آشکارسازی امواج سوزنی، امکان تشخیص بیماری صرع از سیگنال EEG وجود دارد. سیگنال های EEG از نوع سیگنال های غیرایستان هستند؛ پس تبدیل موجک[iii] که قدرت تفکیک مناسب زمانی و فرکانسی دارد، گزینه مناسبی برای استخراج ویژگی های سیگنال های EEG است. در این مقاله، پس از مرحله استخراج ویژگی، با استفاده از تبدیل موجک، شبکه های عصبی مصنوعی (ANN)[iv] برای طبقه بندی سیگنال های سالم و سیگنال های دارای بیماری صرع استفاده می شوند. همچنین، الگوریتم بهینه سازی انبوه ذرات (PSO)[v] روشی جدید برای انتخاب وزن ها و بایاس های شبکه است تا عملکرد شبکه بهبود یابد. نتایج پیاده سازی الگوریتم پیشنهادی، صحت 2/96% را داشته اند که نسبت به روش های موجود، طبقه بندی سیگنال های EEG عملکرد بهتری را نشان می دهد.