تشخیص بیماری صرع مبتنی بر ویژگی های کلاسیک و عمیق و انتخاب وی ژگی براساس الگوری تم شاهین

بیماری صرع یکی از اختلالات عصبی شایع است که به دلیل تنوع در الگوهای حملات و سیگنال های الکتریکی مغز، تشخیص آن با چالشهای قابل توجهی مواجه می شود. این بیماری نه تنها بر عملکردهای فیزیکی بیماران تاثیر می گذارد، بلکه می تواند کیفیت زندگی اجتماعی و روانی آنها را نیز تحت تاثیر قرار دهد. از این رو، تشخیص صحیح و دقیق بیماری صرع از اهمیت ویژه ای برخوردار است. روش های کلاسیک تشخیص صرع، شامل تحلیل سیگنال های EEG و استخراج ویژگی های فراابتکاری از داده ها هستند؛ اما این روش ها ممکن است به دقت مطلوب نرسند و نیاز به بهبود دارند. در این تحقیق، به بررسی یک رویکرد نوین برای تشخیص بیماری صرع با استفاده از یادگیری عمیق و الگوریتم فراابتکاری شاهین پرداخته شده است. در این روش، ابتدا داده های EEG بیماران جمع آوری و پیش پردازش می شوند تا نویزها کاهش یابند و کیفیت سیگنال ها افزایش یابد. سپس با استفاده از شبکه های عصبی عمیق، ویژگی های پیچیده و غیرخطی سیگنال های EEG استخراج می شوند. الگوریتم شاهین به عنوان یک الگوریتم بهینه سازی برای تنظیم پارامترهای مدل یادگیری عمیق مورد استفاده قرار می گیرد تا دقت و کارایی مدل افزایش یابد. در این تحقیق، در روش کلاسیک با استفاده از الگوریتم شاهین، دقت طبقه بندی با طبقه سازهای ماشین بردار پشتیبان، درخت تصمیم و شبکه عصبی مصنوعی به ترتیب ۹۴%، ۹۱% و ۹۰% به دست آمد. همچنین در روش استخراج ویژگی با یادگیری عمیق و الگوریتم فراابتکاری شاهین، دقت طبقه بندی با طبقه سازهای ماشین بردار پشتیبان، درخت تصمیم و شبکه عصبی مصنوعی به ترتیب ۹۸%، ۹۴% و ۹۲% گزارش شد.

کلیدواژه ها:

بیماری صرع ، سیگنال EEG ، یادگیری عمیق ، الگوریتم شاهین