شناسایی صرع بر اساس بهینه سازی ویژگی های ادغامی تبدیل هارتلی با مدل ترکیبی MLP و GA همراه با استراتژی یادگیری ممتیک

یکی از مسایل مهم در پردازش سیگنال های EEG، تشخیص حمله صرع است. در این مقاله، یک الگوریتم تشخیص و طبقه بندی سیگنال های مغزی حاوی حمله سرع از سیگنال های بدون حمله بر اساس ادغام ویژگی های تبدیل هارتلی پیشنهاد شده است. در این الگوریتم، علاوه بر استخراج ویژگی های معمول زمانی و فرکانس مانند آنتروپی طیفی و چگالی طیف توان، یک ویژگی جدید مبتنی بر ادغام ویژگی های مستخرج از تبدیل هارتلی تعریف می شود. برای تعریف این ویژگی جدید، ویژگی های مستخرج از تبدیل هارتلی براساس یک سناریوی ماتریس کرنلی ادغام می شوند. جهت بهینه کردن و کاهش ابعاد بردار ویژگی مستخرج از سیگنال های مغزی، از یک مدل ترکیبی الگوریتم ژنتیک تحت استراتژی آموزش ممتیک و شبکه عصبی چند لایه پس انتشار خطا استفاده می شود. طبقه بندی نهایی بر روی این ویژگی های بهینه شده توسط یک شبکه عصبی پرسپترون با یک لایه پنهان انجام می شود و به طور میانگین صحت 95/32% را در طبقه بندی سیگنال های صرعی فراهم می کند.

کلیدواژه ها:

سیگنال EEG ، صرع ، ویژگی های ادغامی تبدیل هارتلی ، الگوریتم ژنتیک با استراتژی یادگیری ممتیک