معرفی مشخصه استخراج غیرخطی مبتنی بر ضرایب DT-CWT سیگنال های EEG مغز برای تشخیص تشنج های صرعی
محل انتشار: فصلنامه مدل سازی در مهندسی، دوره: 24، شماره: 84
سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 119
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JME-24-84_007
تاریخ نمایه سازی: 26 فروردین 1405
چکیده مقاله:
صرع نوعی بیماری مغزی است که با مشاهده سیگنال های EEG قابل تشخیص است. ابن بیماری غالبا در کودکان رخ می دهد. با این وجود، برخی از موارد در بزرگسالان نیز مشاهده می شود. تشخیص این بیماری در مراحل اولیه برای پزشکان یک وظیفه چالش برانگیز است. نویسندگان در این کار، سیگنال EEG صرعی و طبیعی را با اتخاذ رویکرد یادگیری عمیق کلاس بندی کرده اند. برای دست یابی به ویژگی های کارآمد، موجک مختلط درختی دوگانه (DTCWT) در نظر گرفته شده است. سپس، ضرایب موجک تجزیه شده به استخراج ویژگی غیرخطی اعمال می شود. این ویژگی ها به عنوان ورودی کلاس بند تابع پایه هیبریدی شعاعی (RBF) استفاده می گردند. با استفاده از روش پیشنهادی، حدود ۹۹ درصد دقت کلاس بندی مشاهده می شود. این امر، نیازمند بهبود قابل توجه الگوریتم پیشنهادی در مقایسه با سایر الگوریتم های ارائه شده قبلی است. اولین بار است که جهت تشخیص صرع از استخراج ویژگی غیر خطی بر روی ضرایب DT-CWT یک سیگنال EEG استفاده می شود.
کلیدواژه ها:
صرع ، الگوریتم k-means ، مشخصه های غیر خطی ، شبکه های تابع پایه شعاعی ، کلاس بندی EEG مغز ، کاهش ویژگی
نویسندگان
افشین کلیجی
دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی ارومیه، ارومیه، ایران
نعمت اله عزتی
دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی ارومیه، ارومیه، ایران
محسن باهنر
دانشگاه آزاد اسلامی واحد مهدی شهر، مهدیشهر، ایران
عبداله جعفری چاشمی
دانشگاه آزاد اسلامی واحد مهدی شهر، مهدیشهر، ایران
احسان مصطفی پور
دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی ارومیه، ارومیه، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :