بررسی و مقایسه روشهای طبقه بندی سیگنال EEG به منظور تشخیص بیماری صرع

بیماری صرع یک ناهنجاری مغزی است که بیماران خود را دچار تشنج می کند و رفتار و سبک زندگی آنها را تحت تاثیر قرار می دهد. حدود پنجاه میلیون نفر در سراسر جهان به این بیماری مبتلا هستند و جزو یکی از شایع ترین بیماری های عصبی در سراسر سطح جهان است. متخصصان مغز و اعصاب برای تشخیص این بیماری از نوار مغزی (EEG) استفاده می کنند. هدف از این پژوهش بررسی و مقایسه روش های طبقه بندی سیگنال EEG به منظور تشخیص بیماری صرع می باشد. برای این تحقیق از یک مجموعه داده کوچک شامل سیگنال EEG مربوط به ۴۰ نفر (معاینه) استفاده شد، که نیمی از این افراد به بیماری صرع مبتلا بودند و نیمی دیگر بیماری صرع نداشتند. پس از پیش پردازش این سیگنال های EEG، روش های استخراج ویژگی همچون آنتروپی، کنتراست تفکیک پذیری و همبستگی بر روی آنها اعمال شد. سپس با بررسی مدل های مختلف طبقه بندی سیگنال ها، دو روش مناسب جهت انجام این تحقیق VGG و ResNet انتخاب شدند. کلاس ۱۱ از ترکیب مدل های VGG ResNet با تکنیک CSP، چهار حالت ایجاد شد. حالت ۱: الگوریتم VGG و استفاده بدون از CSP، حالت ۲: الگوریتم VGG و ترکیب آن با CSP، حالت ۳: الگوریتم ResNet بدون استفاده از CSP، حالت ۴: الگوریتم ResNet و ترکیب آن با CSP. این حالت ها پیاده سازی و نتایج حاصل با یکدیگر مقایسه گردید. مقایسه معیارهای سنجش دقت طبقه بندی (درستی، دقت، فراخوانی و میانگین هارمونیک) برای این چهار حالت نشان داد این معیارها در الگوریتم VGG + تکنیک CSP و همچنین در الگوریتم ResNet + تکنیک CSP در مقایسه با الگوریتم VGG و الگوریتم ResNet افزایش یافته اند. بنابراین به طور کلی استفاده از تکنیک CSP باعث افزایش دقت می گردد. همچنین نشان داده شد دقت، فراخوانی و میانگین هارمونیک در الگوریتم ResNet + تکنیک CSP در مقایسه با الگوریتم VGG + تکنیک CSP بهبود می یابد. بنابراین حالت چهارم یعنی ترکیب الگوریتم های ResNet و CSP بهترین گزینه در طبقه بندی سیگنال های EEG می باشد و به بهترین نتایج منجر می گردد.

کلیدواژه ها:

سیگنالهای EEG ، طبقه بندی سیگنال ها ، تکنیک CSP ، الگوریتم Reset ، الگوریتم VGG