تشخیص تشنج صرع در سیگنال های EEG با استفاده از طبقه بندی TQWT و SVM-GOA

 صرع یک بیماری اختلال مغزی است که کیفیت زندگی افراد را تحت تاثیر قرار می دهد. اگر در مراحل اولیه تشخیص داده شود، گسترش نخواهد یافت. سیگنال های الکتروانسفالوگرافی برای تشخیص تشنج های صرع استفاده می شود. با این حال، این سیستم غربالگری نمی تواند حالت های تشنج صرع را دقیقا تشخیص دهد. با وجود این، با کمک سیستم های تشخیصی به کمک رایانه (CADS)، متخصصان مغز و اعصاب می توانند مراحل تشنج صرع را به درستی تشخیص دهند. هدف از این مطالعه تشخیص تشنج صرع با استفاده از سیگنال های EEG و تشخیص مراحل مختلف آن است. CADS پیشنهادی در این مطالعه با استفاده از ویژگی های آماری و غیرخطی مختلف، قادر به تشخیص دقیق و سریع تشنج های صرع است. بنابراین، این سیستم می تواند به متخصصان مغز و اعصاب در تشخیص دقیق تر کمک کند.

 این مقاله بر روی یک روش جدید برای تشخیص تشنج صرع بر اساس سیگنال های الکتروانسفالوگرام با استفاده از تکنیک های هوش مصنوعی (AI) تاکید می کند. ابتدا از مجموعه داده بن برای آزمایشات استفاده می شود و سیگنال های الکتروانسفالوگرام به فواصل پنج ثانیه ای تقسیم می شوند. سپس تبدیل موجک عامل q قابل تنظیم برای تجزیه و تحلیل سیگنال های الکتروانسفالوگرام به زیر باندهای مختلف استفاده شد. چند ویژگی آماری و غیرخطی (ابعاد فراکتال FDs)) و آنتروپی) زیرباندهای تبدیل موجک عامل Q قابل تنظیم برای روش های استفاده شده در آنتروپی و فرکتال استخراج می شوند. در روش بعدی از روش هوش مصنوعی با لایه های پیشنهادی برای کاهش ویژگی ها استفاده می شود و در نهایت الگوریتم های طبقه بندی مختلف مانند دستگاه بردار پشتیبانی با الگوریتم بهینه سازی ملخ (SVM-GOA)، نزدیک ترین همسایه K-Nearest Neighbors ،(KNN) و جنگل تصادفی استفاده می شوند. استفاده از AE برای کاهش ویژگی و SVM-GOA برای طبقه بندی، نشان دهنده تازگی این مطالعه است.

با توجه به نتایج، روش پیشنهادی، تشخیص تشنج صرع عملکرد بهتری را در مقایسه با کارهای مرتبط نشان داد. روش طبقه بندی پیشنهادی SVM-GOA دارای میزان دقت بالاتری به میزان 99/42 و 99/23 درصد برای مشکلات طبقه بندی دوکلاسه و چند کلاسه است.

ترکیب ویژگی های موثر در تشخیص دوره های تشنج صرع همراه با روش های طبقه بندی مناسب، دقت CADS را افزایش می دهد. با توجه به اهمیت تشخیص انواع حملات صرع، یک CADS با دقت بالا در این کار معرفی شده است. دقت بالا، استفاده از روش های مختلف برای استخراج ویژگی ها و طبقه بندی از جمله مزایای روش پیشنهادی ماست.