ارائه‌ي يك سيستم هوشمند طبقه بندي كننده سيگنال‌هاي الكتروانسفالوگرافي به منظور افزايش دقت آشكارسازي وقوع حملات تشنجي ناشي از صرع

كارشناسي ارشد

الكتروانسفالوگرام(EEG) كه براي نمايش فعاليت الكتريكي مغز استفاده مي¬شود، ابزار كلينيكي مناسبي براي تشخيص بي¬نظمي¬هاي مربوط به صرع است. آشكارسازي اسپايك¬هاي صرعي نقش بسيار مهمي در تشخيص صرع ايفا مي¬كند. در اين پروژه ضمن بررسي اثر ويژگي‌هاي مختلف سيگنال بر دقت و عملكرد سيستم دسته¬بندي سيگنال¬هاي الكتروانسفالوگرافي، تلاش شد دقت مدل پيشنهادي را در مقايسه با ساير سيستم¬هاي مشابه بهبود بخشيم. براي دسته¬بندي داده¬ها از شبكه عصبي ARTMAPفازي جهت پياده¬سازي سيستم تشخيص حملات صرعي استفاده شده است. اين شبكه يك فرآيند يادگيري بر مبناي تطابق را بكار مي‌گيرد. در اين روش، يادگيري بر اساس شباهت ميان الگوي ورودي و وزن نرون‌هاي دسته است كه برتري آن نسبت به روش¬هاي يادگيري بر مبناي خطاي ميان خروجي شبكه و خروجي مطلوب كه در شبكه‌هاي عصبي معمول مورد استفاده قرار مي‌گيرند سهولت استخراج اطلاعات، عدم فراموشي و يادگيري سريع است. از آنجا كه توسعه و بهينه¬سازي شبكه ARTMAP فازي تحت تأثير ترتيب ارائه¬ي داده¬هاي آموزشي است، به همين منظور از ﺧﺼﻮﺻﻴﺖ و ﻗﺎﺑﻠﻴﺖ الگوريتم¬هاي ژﻧﺘﻴﻚ اﺳﺘﻔﺎده شد ﺗﺎ ﺑﺎ ﺗﻮﻟﻴﺪ نسلﻫاي ﺟﺪﻳﺪ بتوانيم ﺗﺮﺗﻴﺐ ارائه¬ي ﺑﻬﺘﺮي بيابيم و درﻧﻬﺎﻳﺖ ﺷﺒﻜﻪ ﻳﺎدﮔﻴﺮي ﺑﻬﺘﺮي داشته باشد. تبديلات موجك اطلاعاتي انعطاف‌پذيرتر از اطلاعات زمان فركانس از سيگنال را با استفاده از طول پنجره‌ي متفاوت به ما مي‌دهند. وقتي كه هر دو نوع نوسان در سيگنال موجود باشد، تبديل موجك به خوبي مي‌تواند هر دو را نشان دهد. به همين دليل از تبديل موجك براي استخراج ويژگي سيگنال EEG استفاده شده است. عملكرد سيستم‌ طبقه‌بندي‌كننده‌ي ارائه شده با استفاده از سه معيار دقت، حساسيت و قابليت تفكيك ارزيابي ‌شد كه به ترتيب 44/98٪ ، 66/97٪ و 83/98٪ است كه در مقايسه با ديگر سيستم‌هاي دسته¬بندي اسپايكهاي صرعي، سيستم پياده‌سازي شده در اين پروژه عملكرد مطلوب‌تري دارد.

192678

دانشگاه علم و صنعت ايران

هوش مصنوعي

دكتر محمدرضا جاهد مطلق