چارچوب ترکیبی مبتنی بر یادگیری عمیق و روش تجمیعی برای تشخیص صرع از با استفاده از سیگنالهای EEG

در این پژوهش چارچوبی ترکیبی برای تشخیص صرع از سیگنالهای EEG ارائه شده است. در این چارچوب، ابتدا داده های خام مجموعه داده EEG Bonn با استفاده از تبدیل فوریه کوتاه مدت (STFT) به طیف نگاره های دوبعدی ۹۶×۹۶ پیکسل تبدیل و مشتقات زمانی و فرکانسی آن ها محاسبه شدند. سپس یک شبکه عصبی کانولوشنی دوبعدی (۲D-CNN) مبتنی بر بلوک های باقیمانده (Residual Blocks) و مجهز به مکانیسم توجه فشرده سازی برانگیختگی (Squeeze-and-Excitation، SE) طراحی شد. برای افزایش قابلیت تعمیم پذیری، از تکنیک برهم نهی داده ها (Mixup) و هموارسازی برچسب استفاده شد. در ادامه بردارهای ویژگی استخراج شده توسط شبکه CNN به یک طبقه بندی کننده مبتنی بر الگوریتم Extra Trees داده شدند و خروجی های هر دو مدل در قالب یک روش تجمیعی (Ensemble) با یکدیگر ترکیب شدند. نتایج اعتبارسنجی متقابل پنج بخشی نشان داد که مدل پیشنهادی به میانگین دقت ۹۸.۶٪، حساسیت ۹۸.۳٪ و مقدار F۱-Score برابر ۹۸.۶٪ دست یافت. این مقادیر بیانگر عملکرد برتر مدل پیشنهادی نسبت به روش های مشابه هستند، اشاره به اثربخشی آن برای تشخیص قابل اعتماد صرع دارند.

کلیدواژه ها:

EEG ، صرع ، شبکه عصبی کانولوشنی دوبعدی ، بلوک های باقیمانده ، مکانیسم فشرده سازی-برانگیختگی ، مدل تجمیعی ، الگوریتم درخت های تصادفی افزوده