تشخیص وطبقه بندی حملات صرعی با استفاده از ترکیب روش های EEG و FNIRS

صرع یکی از شایع ترین اختلالات عصبی است که تشخیص و پیش بینی حملات آن به علت غیرقابل پیش بینی بودن همواره چالشی برای بیماران و پزشکان محسوب می شود. در این مطالعه، یک روش ترکیبی برای تشخیص و طبقه بندی حملات صرع ارائه شده است که در آن از سیگنال های الکتروانسفالوگرافی (EEG) و طیف سنجی نزدیک به مادون قرمز عملکردی (FNIRS) به طور همزمان استفاده می شود. سیگنال های EEG با استفاده از تبدیل موجک گسسته (DWT) تجزیه و تحلیل شده و ویژگی های آماری مهم از ضرایب آن استخراج گردیده است. در کنار آن، تغییرات اکسی هموگلوبین و دی اکسی هموگلوبین به عنوان ویژگی های مکمل از داده های FNIRS استفاده شدند. برای طبقه بندی داده ها از دو الگوریتم شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) بهره گرفته شد. نتایج نشان داد که ترکیب داده های EEG و FNIRS دقت پیش بینی وضعیت قبل از حمله را به ۹۵% افزایش می دهد. این روش می تواند به عنوان ابزاری موثر برای نظارت طولانی مدت و بهبود کیفیت زندگی بیماران مبتلا به صرع مورد استفاده قرار گیرد.