متینه زوار - آموزشکده فنی و حرفه ای سما، دانشگاه آزاد اسلامی، واحد قوچان، قوچان، ایران
هادی قاسمی فرد - کارشناسی ارشد کامپیوتر هوش مصنوعی، دکترای مهندسی پزشکی

بیماری صرعی همچنان یک مشکل عمده سلامتی در کشورهای توسعه یافته و در حال توسعه محسوب می شود. تشخیص غیر تهاجمی اینبیماری یکی از تحقیقات چند دهه ی اخیر می باشد. تاکنون تشخیص بیماری صرعی مبتنی بر سیگنال الکتروانسفالوگرام بوده است .در این تحقیق بااستفاده از سیگنالهای الکتروکاردیوگرام بیماران صرع جزئی، به تشخیص و طبقه بندی سیگنال های صرعی و نرمال پرداخته شده است. در فرایند آشکارسازیدر مرحله طبقه بندی، داده های ورودی با استفاده از ترکیب مدل های مارکوف و ماشین بردار پشتیبان (HMM-SVM) دسته بندی می شوند. ویژگی های استخراج شده شامل ویژگی های ویولت می باشند. نتایج پیاده سازی ها بیانگر موثر بودن روش پیشنهاد شده در دسته بندی این مجموعه داده می باشد،به طوریکه در بهترین حالت، میزان تفکیک کنندگی 95.43 درصد بدست آمده است.

الکتروکاردیوگرام ، تبدیل موجک، ضربان قلب، سیگنال صرعی، ماشین بردار پشتیبان، مدل های مارکوف