رویکرد جدید در تشخیص بیماری صرع مبتنی بر الگوریتم عنکبوت اجتماعی و الگوریتم ماشین بردار پشتیبان

بیماری صرع را می توان به عنوان تشنج های عودکننده ناشی از تخلیه الکتریسته ناگهانی بر روی یک گروه از سلول های مغزی انسان تعریف کرد. سیگنال های الکتروانسفالوگرام (EEG) نقش بسیار مهمی در تشخیص این بیماری ایفا می کند. ثبت سیگنال های EEG که توسط دستگاه های ثبت سیار ضبط می شوند، اطلاعاتی با طول بسیار بالا تولید می کنند که تشخیص ناحیه صرعی، نیازمند مدت زمان طولانی برای تحلیل کل اطلاعات توسط شخص متخصص می باشد. به دلیل خسته کننده بودن روش های سنتی تحلیل، در سال های اخیر تعداد بسیار زیادی سیستم اتوماتیک برای تشخیص صرع به وجود آمده است. در این مقاله، رویکرد جدیدی مبتنی بر الگوریتم عنکبوت اجتماعی ارائه شده است. در ابتدا سیگنال EEG براساس تبدیل موجک گسسته تجزیه می شود. سپس، ۱۳۲ ویژگی آماری، آنتروپی و ویژگی های آشوب استخراج می شوند و بهترین ویژگی ها توسط الگوریتم عنکبوت اجتماعی با تابع هدف پیشنهادی انتخاب می شوند. در نهایت، ویژگی های انتخابی با استفاده از الگوریتم ماشین بردار پشتیبان جهت طبقه بندی سیگنال های EEG تشنج و غیرتشنج استفاده می شود. نتایج شبیه سازی نشان می دهد که روش پیشنهادی بر روی مجموعه داده های سیگنال EEG دانشگاه بن به صحت و حساسیت خوبی برخوردار است و این روش می تواند به طور موثر به پزشکان در تشخیص صرع کمک کند، بنابراین بارکاری آنها کاهش می یابد.

کلیدواژه ها:

تشخیص بیماری صرع ، انتخاب ویژگی ها ، سیگنال های الکتروانسفالوگرام ، الگوریتم بهینه سازی عنکبوت اجتماعی