تشخیص حمله‌های صرعی از روی ضرایب موجک با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی انبوه ذرات (PSO)

سیگنال‌های الکتروانسفالوگرام (EEG)[i]، فعالیت‌های الکتریکی سلول‌های عصبی مغز را نشان می‌دهند. استخراج سیگنال EEG روشی غیرتهاجمی است که برای تشخیص فعالیت‌های غیرعادی مغز مفید است. تشنج یکی از انواع فعالیت‌های غیرعادی مغز و مهم‌ترین تظاهر بیماری صرع است. دشارژهای صرعی‌شکل (امواج سوزنی)[ii] مهم‌ترین مشخصة سیگنال‌های فرد درحال تشنج است. با آشکارسازی امواج سوزنی، امکان تشخیص بیماری صرع از سیگنال EEG وجود دارد. سیگنال‌های EEG از نوع سیگنال‌های غیرایستان هستند؛ پس تبدیل موجک[iii] که قدرت تفکیک مناسب زمانی و فرکانسی دارد، گزینة مناسبی برای استخراج ویژگی‌های سیگنال‌های EEG است. در این مقاله، پس از مرحلة استخراج ویژگی، با استفاده از تبدیل موجک، شبکه‌های عصبی مصنوعی (ANN)[iv] برای طبقه‌بندی سیگنال‌های سالم و سیگنال‌های دارای بیماری صرع استفاده می‌شوند. همچنین، الگوریتم بهینه‌سازی انبوه ذرات (PSO)[v] روشی جدید برای انتخاب وزن‌ها و بایاس‌های شبکه است تا عملکرد شبکه بهبود یابد. نتایج پیاده‌سازی الگوریتم پیشنهادی، صحت 2/96% را داشته‌اند که نسبت به روش‌های موجود، طبقه‌بندی سیگنال‌های EEG عملکرد بهتری را نشان می‌دهد. [i] Electroencephalogram [ii] Spikes [iii] Wavelet Transform [iv] Artificial Neural Network [v] Particle Swarm Optimization

کلیدواژه ها:

الکتروانسفالوگرام ، الگوریتم بهینه‌سازی انبوه ذرات ، بیماری صرع ، تبدیل موجک ، تشنج