شناسایی خودکار حالت‌های مختلف بیماری صرع از سیگنال EEG با استفاده از شبکه‌های یادگیری عمیق

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 461

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-11-3_001

تاریخ نمایه سازی: 19 بهمن 1399

چکیده مقاله:

استفاده از روشی هوشمند برای تشخیص خودکار مراحل مختلف صرعی در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه‌وتحلیل داده‌های صرع با بازرسی بصری، یکی از چالش‌های مهم در سال‌های اخیر محسوب می‌شود. یکی از مشکلات شناسایی خودکار مراحل مختلف صرعی، استخراج ویژگی‌های مطلوب است؛ به‌گونه‌ای که این ویژگی‌ها بتوانند بیشترین تمایز را بین مراحل مختلف صرعی ایجاد کنند. فرآیند یافتن ویژگی‌های مناسب، عموماً امری زمان‌بر است. این پژوهش، رویکرد جدیدی را برای شناسایی خودکار مراحل مختلف صرعی ارائه می‌دهد. در این مقاله، یک شبکۀ کانولوشنال عمیق با 8 لایۀ کانولوشن و 2 لایۀ تماماً متصل برای یادگیری ویژگی‌ها به‌صورت سلسله‌مراتبی و شناسایی خودکار مراحل مختلف صرعی با استفاده از سیگنال EEG ارائه می‌شود. نتایج نشان می‌دهند استفاده از یادگیری عمیق در کاربردهایی همچون یادگیری ویژگی به‌صورت سلسله‌مراتبی و شناسایی مراحل مختلف صرعی، درصد موفقیت بالاتری نسبت به سایر روش‌های مشابه دارد. مدل پیشنهادی ارائه‌شده در این مقاله برای طبقه‌بندی 3 حالت مختلف صرعی، مقدار 100% را دربارۀ معیارهای صحت، حساسیت و اختصاصیت فراهم می‌کند.

کلیدواژه ها:

شناسایی خودکار حالت‌های مختلف تشنجات صرعی ، شبکۀ عصبی کانولوشن ، تشنج

نویسندگان

سبحان شیخیوند

دانشجوی دکتری، دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز - تبریز - ایران

سعید مشگینی

گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

زهره موسوی

دانشجوی دکتری، دانشکده مهندسی مکانیک - دانشگاه تبریز - تبریز - ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • [1] T. Alotaiby, F. E. A. El-Samie, S. A. Alshebeili, ...
  • [2] Z. Zhang and K. K. Parhi, "Seizure prediction using ...
  • [3] K. Gadhoumi, J.-M. Lina, F. Mormann, and J. Gotman, ...
  • [4] Harvard Health Publications, Harvard Medical School, 2014. Seizure overview. ...
  • [5] A. Theodorakopoulou, "Machine learning data preparation for epileptic seizures ...
  • [6] Y. Park, L. Luo, K. K. Parhi, and T. ...
  • [7]  X. Pang, "Seizure forecasting," Stanford University, Autumn 2014. ...
  • [8] N. D. Truong, A. D. Nguyen, L. Kuhlmann, M. ...
  • [9] M. Sharma, R. B. Pachori, and U. R. Acharya, ...
  • [10] U. R. Acharya, S. L. Oh, Y. Hagiwara, J. ...
  • [11] R. G. Andrzejak, K. Lehnertz, F. Mormann, C. Rieke, ...
  • [12] N. Siddique and H. Adeli, Computational intelligence: synergies of ...
  • [13] M. Kallenberg et al., "Unsupervised deep learning applied to ...
  • [14] Goodfellow. I., Bengio. Y., Courville. A., 2016. Deep Learning. ...
  • [15] G. E. Hinton, N. Srivastava, A. Krizhevsky, I. Sutskever, ...
  • [16] S. Ioffe and C. Szegedy, "Batch normalization: Accelerating deep ...
  • [17]  A. Bhattacharyya, R. B. Pachori, A. Upadhyay, and U. ...
  • [18] A. Bhattacharyya and R. B. Pachori, "A multivariate approach ...
  • نمایش کامل مراجع