صالح لشکری - دانشجوی دکترا - دانشکده مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
مهدی آذرنوش - استادیار - دانشکده مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

در طبقه بندی داده ها انتخاب فضای ویژگی متناسب با ماهیت پدیده و قدرت تفکیک بالا بسیار حائز اهمیت است. قابلیت نگاشت بازگشتی در تحلیل دادگان غیرایستا موجب می شود در تشخیص حملات صرعی نیز مورد توجه قرار گیرد. در این پژوهش به تشخیص حملات صرعی توسط آنالیز کمی سازی بازگشتی بر پایه ترکیب الگوریتم ژنتیک و طبقه بند بیزین پرداخته شده است. در ابتدا نگاشت بازگشتی سیگنال EEG دو گروه صرعی و نرمال هریک شامل ۱۰۰ نمونه، بازای پنج نوع معیار فاصله (ماکزیمم فاصله، مینیمم فاصله، اقلیدوسی، ماهالانوبیس، منهتن) و ۱۰ حد آستانه(ε) مختلف تشکیل و بهترین مجموعه ویژگی بازای ۵۰ تکرار الگوریتم ژنتیک بر اساس نرخ طبقه بندی بیزین انتخاب گردید. نتایج، نشانگر کارایی بالای روش پیشنهادی بوده به گونه ای که با انتخاب معیار مینیمم فاصله و حدآستانه ۱˂ε˂ ۱/۰ تفکیک ۱۰۰ % است. همچنین روش نسبت به حد آستانه (ε) و معیار فاصله حساسیت پایینی دارد. ویژگی Trans با بیشترین مشارکت در انتخاب ویژگی و بالاترین صحت، به عنوان ویژگی بهینه معرفی می شود.

الکتروانسفالوگرام, تشخیص حمله صرعی, آنالیز کمی سازی بازگشتی, انتخاب ویژگی, الگوریتم ژنتیک