تشخیص صرع از سیگنال EEG برپایه درخت تصمیم فازی ژنتیک

افراد دارای اختلالات عصبی شدید، در عملکردهای حرکتی و ارتباط با محیط با چالش های بسیاری روبرو هستند. بنابراین آن ها تقاضا برای توانبخشی پیشرفته، تطبیقی و شخصی را افزایش داده اند. در طی چند دهه گذشته، مطالعات بی شماری در حوزه رابط های مغزی و رایانه ای (BCI) را با هدف فراهم کردن وسایل ارتباطی و توانبخشی عملکردی توسعه داده اند. در این تحقیق به بررسی سیستم های BCI برای پردازش سیگنال های الکتروانسفالوگرافی (EEG) مبتنی بر تشخیص حملات صرع پرداخته می شود. در این رویکرد که شامل مراحل مختلفی هم چون پیش پردازش، استخراج ویژگی و در نهایت طبقه بندی است، تشخیص حملات صرع از مجموعه داده های استاندارد EEG-BCI ارائه می گردد. فیلترگذاری مبتنی بر تبدیلات موجک با هدف شناسایی نویز و کاهش آن و حذف آرتیفکت های موجود یعنی مولفه های P۳۰۰ در فاز پیش پردازش اعمال می شود. از درخت تصمیم برای استخراج ویژگی های حرکتی و تهاجمی بیماری صرع استفاده می گردد و در نهایت، الگوریتم ژنتیک برای بهبود فضای جستجو در استخراج ویژگی ها مبتنی بر منطق فازی به دلیل عدم قطعیت ها و طبقه بندی با هدف تشخیص حملات صرع اعمال می شود. نتایج نشان می دهد که تشخیص دقیق حملات و شدت آن ها در سیگنال های EEG وجود دارد و دقت رویکرد پیشنهادی برابر ۹۹.۵۲ % است که از روش های دیگری هم چون روش های تبدیلات موجک مبتنی بر ماشین بردار پشتیبان و یا شبکه های عصبی کانولوشن، دارای برتری عملکردی است.

کلیدواژه ها:

تشخیص حملات صرع ، پردازش سیگنال EEG ، رابط مغز و کامپیوتر ، تبدیل موجک ، درخت تصمیم ، الگوریتم ژنتیک ، منطق فازی