مدل سازی شبکه های مغزی با استفاده از داده های EEG برای تشخیص حملات صرع

شناسایی دقیق حملات صرع از اهمیت بالایی در زمینه تحقیقات پزشکی برخوردار است، زیرا این امر می تواند به بهبود درمان و مدیریت بیماران مبتلا به صرع کمک کند. در این مطالعه، ما یک رویکرد جدید برای شناسایی حملات صرع از طریق تحلیل سیگنال های الکتروانسفالوگرام (EEG) و استفاده از یک شبکه ی عصبی عمیق ترکیبی خودکار رمز گذار_ پیچیدگی را پیشنهاد می کنیم. هدف اصلی این روش افزایش دقت و کارایی تشخیص حملات صرعی است. در این رویکرد، سیگنال های EEG به عنوان ورودی به مدل پردازش سیگنال مورد استفاده قرار می گیرد که اطلاعات حیاتی در مورد فعالیت مغزی در زمان حملات صرع ارائه می دهد. ما از تکنیک های پیشرفته ی پردازش سیگنال برای استخراج ویزگی های مرتبط از داده های EEG استفاده می کنیم تا الگو های مربوط به حملات صرعی شناسایی شوند. تشخیص خودکار تشنج های صرع اهمیت فزاینده ای پیدا می کند، زیرا می تواند به طور قابل توجهی بار مراقبت از بیماران مبتلا به صرع را کاهش دهد. صرع به عنوان اولین اختلال مهم مغزی(پس از سکته ی مغزی) شناخته شده است. بیماری صرع، اختلال مزمن و طفیان عمل مغزی است که به علت تخلیه ی الکتریکی نامتعارف و متناوب نورون های مغزی ایجاد می شود. هدف از این مطالعه تشخیص تشنج صرع با استفاده از سیگنال های EEG و تشخیص مراحل مختلف آن است. این سیستم به متخصصان مغز و اعصاب در تشخیص دقیق تر کمک می کند.

کلیدواژه ها:

تشخیص صرع ، EEG ، شبکه عصبی عمیق ، خودکار رمزگذار-پیچیدگی ، پردازش سیگنال ، تشنج ، شناسایی حملات صرعی ، یادگیری ماشین پزشکی ، سیستم تشخیص خودکار.