کاربرد هوش مصنوعی در تحلیل سیگنال های EEG برای تشخیص زودهنگام تشنج

صرع یکی از شایع ترین اختلالات نورولوژیک است که با حملات تشنجی مکرر ناشی از فعالیت غیرطبیعی نورون های مغزی شناخته می شود. تشخیص زودهنگام تشنج نقش مهمی در کاهش آسیب های عصبی، بهبود کیفیت زندگی بیماران و افزایش اثربخشی درمان دارد. در سال های اخیر، تحلیل سیگنال های الکتروانسفالوگرافی (EEG) با استفاده از روش های هوش مصنوعی به عنوان یکی از مهم ترین رویکردهای نوین در تشخیص و پیش بینی تشنج مورد توجه قرار گرفته است. سیگنال های EEG به دلیل ماهیت غیرایستا، پیچیدگی بالا و حساسیت به نویز، تحلیل دشواری دارند و بررسی دستی آن ها علاوه بر زمان بر بودن، ممکن است با خطا همراه باشد. به همین دلیل، استفاده از الگوریتم های یادگیری ماشین و یادگیری عمیق برای تحلیل خودکار این سیگنال ها گسترش یافته است. در این مطالعه مروری، کاربرد روش های مختلف پردازش سیگنال و الگوریتم های هوش مصنوعی در تشخیص تشنج مبتنی بر EEG مورد بررسی قرار گرفت. ابتدا مفاهیم پایه EEG، ویژگی های سیگنال های مغزی و روش های پیش پردازش شامل حذف نویز، فیلترگذاری و استخراج ویژگی معرفی شدند. سپس عملکرد الگوریتم های یادگیری ماشین نظیر ماشین بردار پشتیبان، جنگل تصادفی و K-نزدیک ترین همسایه و همچنین مدل های یادگیری عمیق شامل شبکه های عصبی کانولوشنی، شبکه های بازگشتی و مدل های LSTM در تشخیص تشنج تحلیل شد. علاوه بر این، نقش پایگاه های داده استاندارد EEG در توسعه و ارزیابی الگوریتم ها مورد بررسی قرار گرفت. نتایج مطالعات نشان می دهد که روش های مبتنی بر یادگیری عمیق در بسیاری از موارد دقت بالاتری نسبت به الگوریتم های سنتی ارائه می دهند و می توانند الگوهای پیچیده تشنجی را به صورت خودکار شناسایی کنند.