آشکار سازی تخلیه های صرعی در سیگنال EEG با استفاده از ترکیب الگوریتم ژنتیک و ماشین بردار پشتیبان

ماشین بردار پشتیبان یا SVM تکنیکی است که در حوزه های گوناگونی از بازشناسی الگو به کار می رود. در آموزش SVM ، کرنل ها، پارامترهای کرنل و انتخاب ویژگی نقش مهمی دارند، بنابراین باید به درستی انتخاب شوند تا دقت دسته بندیSVM بهبود یابد. در این مقاله ترکیب GA وSVM ارائه شده است تا دقت SVM را افزایش دهد. HGASVM نوع کرنل بهینه، پارامتر تابع کرنل و پارامتر در دسته بندی کننده ی SVM و همچنین مناسبترین نوع فیلتر ویولت و پارامتر آنتروپی ویولت را انتخاب می کند. چنین دسته بندی کننده ای برای آشکار سازی تخلیه های صرعی در سیگنال EEG ارائه شده است که در آن از 5 دسته داده که از پایگاه داده دانشگاه بن گرفته شده است استفاده می نماییم . در این تحقیق تبدیل ویولت و آنتروپی ویولت در مرحله ی استخراج ویژگی HGASVM مورد استفاده قرار گرفته است. نتایج تجربی نشان می دهد که دقت دسته بندی HGASVM برای دسته بندی اسپایکهای صرعی از سیگنال EEG نسبت به روش های موجود بالاتر است.

کلیدواژه ها:

الکتروانسفالوگرام ، الگوریتم ژنتیک ، بهینه سازی پارامترها ، سیگنالهای صرعی ، ماشین بردار پشتیبان