محمد فیوضی - دانشگاه علم و صنعت ایران، تهران،
جواد حدادنیا - دانشگاه علوم پزشکی سبزوار، دانشگاه حکیم سبزواری
علیرضا مسلم - دانشگاه علوم پزشکی سبزوار
محمد محمدزاده - دانشگاه علوم پزشکی سبزوار

زمینه و هدف: از مهم ترین نشانه های صرع می توان به تشنج، اشاره کرد. پیش بینی و تشخیص به موقع حمله تشنجی به طور چشمگیری آسیب های ناشی از آن را در افراد صرعی کاهش می دهد. از مشکلات اساسی مربوط به این اختلال عصبی عدم توانایی در پیش بینی به موقع وقوع حملات تشنجی می باشد. مواد و روش کار: به دلیل تصادفی بودن فرآیندهای الکتریکی منجر به صرع رفتار سیگنال های مغزی را به صورت یک دنباله در واحد زمان می توان بیان کرد. این تحقیق ۳۰۰ مصروع در سه گروه طبیعی، مرحله قبل از تشنج و تشنج بررسی شدند. بر این اساس داده ها پس از دریافت، پیش پردازش شدند، سپس به دنبال استخراج ویژگی های خاص، توسط الگوریتم پیشنهادی، پیش بینی قابل قبول و مناسبی بر روی آن ها صورت می گیرد. در نهایت به منظور اعتبار سنجی نهایی، از روش ارزیابی چند دسته ایی هم عرضی (k-fold) استفاده شده است. یافته ها: ابتدا توسط تبدیل پردازشگر ویولیت (WT۳) آرتیفکت های احتمالی حذف شد، در مرحله بعد توسط الگوریتم هوشمند پرندگان (BPSO۴ ) بهترین ویژگی ها (تاخیرها) بدست آمد، سپس توسط الگوریتم ماشین بردار پشتیبان (SVM۵)، کاهش بعد ویژگی ها (تاخیرها) به منظور مدیریت داده ها انجام شد. در پایان ارزیابی نهایی و اعتبار سنجی نهایی صورت گرفت، تا دقت الگوریتم با ۲ واحد زمانی تاخیر در پیش بینی تایید شود. نتیجه گیری: سیستم پیشنهادی در قالب ترکیب و تعامل به دقت پیش بینی بالایی دست یافت. روش های حاضر علی رغم دقت بالا؛ در پیش بینی توانایی چندانی ندارند. مقایسه این روش و روش های موجود نشان از دقت و کارایی بالای این سیستم دارد.

Epilepsy, Prediction, Electroencephalogram, Time series, intelligent systems, صرع, پیش بینی, الکتروانسفالوگرام, سری زمانی, سیستم های هوشمند.