تشخیص بیماری صرع با پردازش سیگنال EEG مغز توسط شبکه عصبی ELM و الگوریتم PSO

صرع به عنوان اولین اختلال مهم مغزی (پس از سکته مغزی) شناخته شده است. بیماری صرع، اختلال مزمن و طغیان عمل مغزی است که به علت تخلیه الکتریکی نامتعارف و متناوب نرونهای مغزی ایجاد میشود. سیگنالهای EEG بیانگر فعالیتهای مغزی هستند و یکی از روش های تشخیص بیماری صرع استفاده از همین سیگنال های EEG مغز است. دراین مقاله شیوه جدیدی جهت تشخیص بیماری صرع با استفاده از پردازش سیگنال EEG ارایه شده است. دراین روش، پس از استخراج ویژگی ها از روی سیگنال EEG، از شبکه عصبی ELM برای تشخیص بیماری صرع استفاده میشود. به منظور بهبود شبکه عصبی ELM، پارامترهای شبکه با الگوریتم ازدحام ذرات PSO بهینه سازی میشوند. در نهایت نتایج ارزیابی سیستم پیشنهادی، عملکرد بالای این روش را نشان می دهد.

کلیدواژه ها:

بیماری صرع ، سیگنال (Electroencephalography)EEG ، شبکه عصبی(Extreme Learning Machine) ELM ، الگوریتم ازدحام ذرات (particle swarm optimization)pso