پیش بینی صرع با استفاده از سیگنال EEG برمبنای ویژگی های غیر خطی و طبقه بند فیشر

صرع دومین بیماری حاد عصبی بعد از سکته مغزی است کهمعمولا با تشنج های ناگهانی همراه است و به دلیل آشفتگی های زودگذر مغز، به طور ناخودآگاه و غیرقابل پیش بینی روی می دهد. در این مقاله به منظور پیش بینی تشنج های صرعی با استفاده از استخراج ویژگی های غیرخطی و طبقه بندی با الگوریتم های نزدیک ترین همسایگی((KNN، فیشر((Fisher و شبکه عصبی MLP به طبقه بندی سیگنال های EEG پرداخته شده است. این پژوهش با استفاده از داده های 24 ساعتی سیگنال EEG مردان و زنان در بازه ی سنی 12 تا 65 سال که در بخش LTM مرکز تحقیقات مغز و اعصاب بیمارستان امام خمینی (ره) تهران بستری شده اند، انجام شده است. پس از پیش پردازش و حذف عوامل مخرب سیگنال، جهت استخراج ویژگی ابتدا با استفاده از تبدیل ویولت گسسته (DWT) سیگنال مغزی به مولفه های فرکانسی معنادار تجزیه شده است، سپس ویژگی های غیرخطی از قبیل بعد فراکتال، توان هرست، بعد همبستگی، آنتروپی تقریبی، آنتروپی نمونه و آنتروپی فازی از سیگنالهای فریم بندی شده استخراج شده است. پس از استخراج ویژگی، مرحله ی طبقه بندی انجام شد، به شکلی که داده ها به سه دسته اینترایکتال، پری ایکتال و ایکتال طبقه بندی شدند. در این مرحله با استفاده از روش نزدیک ترین همسایگی، فیشر و شبکه عصبی MLP طبقه بندی دیتای ورودی انجام شد. نتایج به دست آمده نشان می دهد که روش پیشنهادی با استفاده از طبقه بندی فیشر قادر است با متوسط صحت 93.18 %، متوسط حساسیت % 98.02 و متوسط اختصاصیت % 90.01 حملات صرع را پیش بینی کند.

کلیدواژه ها:

سیگنال EEG ، پیش بینی حملات صرع ، ویژگی غیرخطی ، طبقه بند فیشر((Fisher ، شبکه عصبی MLP