|
|
، جلد ۱۷، شماره ۲، صفحات ۴۳-۵۵
|
|
|
| عنوان فارسی |
تشخیص صرع به کمک ارزیابی‌های کیفی و کمّی آشوبگون سیگنالهای مغزی |
|
| چکیده فارسی مقاله |
هدف: صرع یکی از بیماری های سیستم اعصاب مرکزی است که فرد مبتلا را در طول یک دوره زمانی دچار تشنج های ناگهانی می کند. روش: یکی از مسایل مهم در آموزش سیستم شناخت، تهیه‌ی داده‌ی مطلوب است که در ادامه به کمک تحلیل کیفی آشوبگون و نظر افراد خبره برچسب زنی صحیح آن بررسی و سپس ویژگی‌های آشوبگون نظیر بُعد فرکتال، بزرگترین نمای لیاپانوف و نمای هرست استخراج م‌یشود. برای تفکیک دستههای مختلف از یکدیگر، این ویژگیها به دستهبندیکنندهی بیزین داده میشوند. یافته ها: نتایج نشان می‌دهد که سیگنال مغزی EEG دارای رفتاری آشوبگون است و در حالت حمله کمینه‌ی بُعد بازسازی و به دنبال آن پیچیدگی کاهش می‌یابد. همچنین نتایج حاکی از آن است که دو دسته ی طبیعی و پیشحملهای با متوسط صحت 99/2 درصد و دو دسته‌ی طبیعی و حمله‌ای با متوسط صحت 99/2 درصد و دو دسته‌ی پیش حمله ای و حمله ای با متوسط صحت 97/1 درصد از یکدیگر تفکیک شده اند. نتیجهگیری: بهنظر می‌رسد تحلیل آشوبگون یکی از روشهای مفید در بازیابی رفتار مغز در تشخیص حالتهای صرعی باشد. |
|
| کلیدواژه‌های فارسی مقاله |
سیگنال مغزی، آشوب، صرع، برچسب زنی، دسته بندی کننده |
|
| عنوان انگلیسی |
Epilepsy Recognition using Chaotic Qualitative and Quantitative Evaluation of EEG Signals |
|
| چکیده انگلیسی مقاله |
Introduction: Epilepsy is a disease of the central nervous system presenting by sudden convulsive attacks over a period of time. Method: A key issue in recognition systems is optimal data acquisition as well as accurate labeling based on chaotic qualitative analyses and confirmatory annotations using expert eyes. To this end, chaotic features such as Petrosian fractal dimension, largest Lyapunov exponent and Hurst exponent were used in this investigation. Such features were submitted to the Bayesian classifier in order to have different categories seperated. Results: Our findings confirmed a chaotic behavior in EEG with minimum embedding dimension reduced in ictal state. Similarly, the complexity of the ictal state was reduced. In addition, our results indicated an average classification accuracy of 99.2% for normal vs. pre-ictal states; the average classification accuracy is 99.7% for the normal vs. ictal states and the average classification accuracy is 97.1% for the pre-ictal vs. ictal states. Conclusion: Chaotic analysis appears to serve as a useful method in representation and recognition of the brain activities in epileptic states. |
|
| کلیدواژه‌های انگلیسی مقاله |
Electroencephalogram, Chaos, Epilepsy, Labelling, Classification |
|
| نویسندگان مقاله |
سیّدعابد حسینی | Seyyed Abed Hosseini
Instructor, Department of Electrical Engineering, Shahrood Branch, Islamic Azad University,Tehran,Iran.
مربی گروه مهندسی برق، واحد شاهرود، دانشگاه آزاد اسلامی
محمّدرضا اکبرزاده‌توتونچی | Mohammad Reza Akbarzadeh Totonchi
Professor, Department of Electrical and Computer Engineering, Ferdowsi University of Mashhad,Mashhad,Iran.
استاد گروه‌های مهندسی برق و کامپیوتر، دانشگاه فردوسی مشهد
محمّدباقر نقیبی‌سیستانی | Mohammad Bagher Naghibi-Sistani
Assiastant professor, Department of Electrical Engineering, Ferdowsi University of Mashhad ,Mashhad,Iran.
استادیار گروه مهندسی برق، دانشگاه فردوسی مشهد
|
|
| نشانی اینترنتی |
http://icssjournal.ir/browse.php?a_code=A-10-2-317&slc_lang=other&sid=1 |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
other |
| موضوعات مقاله منتشر شده |
تخصصی |
| نوع مقاله منتشر شده |
پژوهشی اصیل |
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|