تشخیص صرع با استفاده از ویژگی های بهینه شده از سیگنال EEG توسط یادگیری عمیق

صرع گروهی از اختلالات مرتبط در سیستم های الکتریکی مغز است که مشخصه ی آنها تمایل به ایجاد حملات مکرر است. حملات باعث تغییر در حرکت، رفتار، احساس یا آگاهی از جمله از دست دادن هوشیاری یا تشنج می شوند که در اکثر افراد از چند ثانیه تا چند دقیقه طول می کشد. حملات ممکن است در کودکان و بزرگسالان رخ دهند. سیگنال های الکتروانسفالوگرافی (EEG) فعالیت الکتریکی مغز را ثبت می کنند و حاوی اطلاعات غنی در مورد اختلال عملکرد مغز هستند. به عنوان یک ابزار غیر تهاجمی و ارزان برای تشخیص تشنج های صرع، ارزیابی بصری ضبط EEG کار فشرده و ذهنی است و نیاز به بهبود قابل توجهی دارد. در این مقاله ابتدا سیگنال های دانلود شده از سایت فیزیونت به تصویر تبدیل شدند تا به عنوان ورودی به شبکه عصبی کانولوشن وارد شده است سپس از تصاویر با استفاده از معماری الکس نت ویژگی استخراج شده است و توسط انتخاب ویژگی، ویژگی های برتر انتخاب و به عنوان ورودی به طبقه بندی کننده ها داده شده است در نهایت طبقه بندی کننده KNN با درصد ۹۹.۷۶ به عنوان طبقه بندی کننده برتر بیماری صرع را تشخیص می دهد.

کلیدواژه ها:

بیماری صرع ، یادگیری عمیق ، طبقه بندی کننده KNN