معرفی مشخصه استخراج غیرخطی مبتنی بر ضرایب DT-CWT سیگنال های EEG مغز برای تشخیص تشنج‌های صرعی | ||
| مدل سازی در مهندسی | ||
| دوره 24، شماره 84، بهار 1405، صفحه 87-99 اصل مقاله (692.83 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2025.30724.2461 | ||
| نویسندگان | ||
| افشین کلیجی1؛ نعمت اله عزتی1؛ محسن باهنر2؛ عبداله جعفری چاشمی2؛ احسان مصطفی پور* 1 | ||
| 1دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی ارومیه، ارومیه، ایران | ||
| 2دانشگاه آزاد اسلامی واحد مهدی شهر، مهدیشهر، ایران | ||
| چکیده | ||
| صرع نوعی بیماری مغزی است که با مشاهده سیگنال های EEG قابل تشخیص است. ابن بیماری غالبا در کودکان رخ می دهد. با این وجود، برخی از موارد در بزرگسالان نیز مشاهده می شود. تشخیص این بیماری در مراحل اولیه برای پزشکان یک وظیفه چالش برانگیز است. نویسندگان در این کار، سیگنال EEG صرعی و طبیعی را با اتخاذ رویکرد یادگیری عمیق کلاس‌بندی کرده‌اند. برای دست یابی به ویژگی های کارآمد، موجک مختلط درختی دوگانه (DTCWT) در نظر گرفته شده است. سپس، ضرایب موجک تجزیه شده به استخراج ویژگی غیرخطی اعمال می شود. این ویژگی ها به عنوان ورودی کلاس بند تابع پایه هیبریدی شعاعی (RBF) استفاده می گردند. با استفاده از روش پیشنهادی، حدود 99 درصد دقت کلاس بندی مشاهده می شود. این امر، نیازمند بهبود قابل توجه الگوریتم پیشنهادی در مقایسه با سایر الگوریتم های ارائه شده قبلی است. اولین بار است که جهت تشخیص صرع از استخراج ویژگی غیر خطی بر روی ضرایب DT-CWT یک سیگنال EEG استفاده می شود. | ||
| کلیدواژه‌ها | ||
| صرع؛ الگوریتم k-means؛ مشخصه های غیر خطی؛ شبکه های تابع پایه شعاعی؛ کلاس بندی EEG مغز؛ کاهش ویژگی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,057 تعداد دریافت فایل اصل مقاله: 456 |
||
| تعداد نشریات | 22 |
| تعداد شماره‌ها | 732 |
| تعداد مقالات | 10,569 |
| تعداد مشاهده مقاله | 73,821,175 |
| تعداد دریافت فایل اصل مقاله | 65,331,272 |