شناسایی خودکار حالت های مختلف بیماری صرع از سیگنال EEG با استفاده از شبکه های یادگیری عمیق

استفاده از روشی هوشمند برای تشخیص خودکار مراحل مختلف صرعی در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه وتحلیل داده های صرع با بازرسی بصری، یکی از چالش های مهم در سال های اخیر محسوب می شود. یکی از مشکلات شناسایی خودکار مراحل مختلف صرعی، استخراج ویژگی های مطلوب است؛ به گونه ای که این ویژگی ها بتوانند بیشترین تمایز را بین مراحل مختلف صرعی ایجاد کنند. فرآیند یافتن ویژگی های مناسب، عموما امری زمان بر است. این پژوهش، رویکرد جدیدی را برای شناسایی خودکار مراحل مختلف صرعی ارایه می دهد. در این مقاله، یک شبکه کانولوشنال عمیق با 8 لایه کانولوشن و 2 لایه تماما متصل برای یادگیری ویژگی ها به صورت سلسله مراتبی و شناسایی خودکار مراحل مختلف صرعی با استفاده از سیگنال EEG ارایه می شود. نتایج نشان می دهند استفاده از یادگیری عمیق در کاربردهایی همچون یادگیری ویژگی به صورت سلسله مراتبی و شناسایی مراحل مختلف صرعی، درصد موفقیت بالاتری نسبت به سایر روش های مشابه دارد. مدل پیشنهادی ارایه شده در این مقاله برای طبقه بندی 3 حالت مختلف صرعی، مقدار 100% را درباره معیارهای صحت، حساسیت و اختصاصیت فراهم می کند.