، جلد ۲۸، شماره ۱، صفحات ۹۸-۱۲۷
عنوان فارسی تشخیص تشنج صرع در سیگنال‌های EEG با استفاده از طبقه‌بندی TQWT و SVM-GOA
چکیده فارسی مقاله اهداف: صرع یک بیماری اختلال مغزی است که کیفیت زندگی افراد را تحت تأثیر قرار می‌دهد. اگر در مراحل اولیه تشخیص داده شود، گسترش نخواهد یافت. سیگنال‌های الکتروانسفالوگرافی برای تشخیص تشنج‌های صرع استفاده می‌شود. با این حال، این سیستم غربالگری نمی‌تواند حالت‌های تشنج صرع را دقیقاً تشخیص دهد. با وجود این، با کمک سیستم‌های تشخیصی به کمک رایانه (CADS)، متخصصان مغز و اعصاب می‌توانند مراحل تشنج صرع را به‌درستی تشخیص دهند. هدف از این مطالعه تشخیص تشنج صرع با استفاده از سیگنال‌های EEG و تشخیص مراحل مختلف آن است. CADS پیشنهادی در این مطالعه با استفاده از ویژگی‌های آماری و غیرخطی مختلف، قادر به تشخیص دقیق و سریع تشنج‌های صرع است. بنابراین، این سیستم می‌تواند به متخصصان مغز و اعصاب در تشخیص دقیق‌تر کمک کند. مواد و روش ها: این مقاله بر روی یک روش جدید برای تشخیص تشنج صرع بر اساس سیگنال‌های الکتروانسفالوگرام با استفاده از تکنیک‌های هوش مصنوعی (AI) تأکید می‌کند. ابتدا از مجموعه داده بن برای آزمایشات استفاده می‌شود و سیگنال‌های الکتروانسفالوگرام به فواصل پنج‌ثانیه‌ای تقسیم می‌شوند. سپس تبدیل موجک عامل q قابل تنظیم برای تجزیه‌و‌تحلیل سیگنال‌های الکتروانسفالوگرام به زیر باندهای مختلف استفاده شد. چند ویژگی آماری و غیرخطی (ابعاد فراکتال FDs)) و آنتروپی) زیرباندهای تبدیل موجک عامل Q قابل تنظیم برای روش‌های استفاده‌شده در آنتروپی و فرکتال استخراج می‌شوند. در روش بعدی از روش هوش مصنوعی با لایه‌های پیشنهادی برای کاهش ویژگی‌ها استفاده می‌شود و در‌نهایت الگوریتم‌های طبقه‌بندی مختلف مانند دستگاه بردار پشتیبانی با الگوریتم بهینه‌سازی ملخ (SVM-GOA)، نزدیک‌ترین همسایه K-Nearest Neighbors ،(KNN) و جنگل تصادفی استفاده می‌شوند. استفاده از AE برای کاهش ویژگی و SVM-GOA برای طبقه‌بندی، نشان‌دهنده تازگی این مطالعه است. یافته ها: با توجه به نتایج، روش پیشنهادی، تشخیص تشنج صرع عملکرد بهتری را در مقایسه با کارهای مرتبط نشان داد. روش طبقه‌بندی پیشنهادی SVM-GOA دارای میزان دقت بالاتری به میزان 99/42 و 99/23 درصد برای مشکلات طبقه‌بندی دوکلاسه و چند‌کلاسه است. نتیجه گیری: ترکیب ویژگی‌های مؤثر در تشخیص دوره‌های تشنج صرع همراه با روش‌های طبقه‌بندی مناسب، دقت CADS را افزایش می‌دهد. با توجه به اهمیت تشخیص انواع حملات صرع، یک CADS با دقت بالا در این کار معرفی شده است. دقت بالا، استفاده از روش‌های مختلف برای استخراج ویژگی‌ها و طبقه‌بندی از جمله مزایای روش پیشنهادی ماست.
کلیدواژه‌های فارسی مقاله تشنج صرع، سیگنال‌های EEG، تشخیص، استخراج ویژگی، SVM-GOA
عنوان انگلیسی A Method for Epileptic Seizure Detection in EEG Signals Based on Tunable Q-Factor Wavelet Transform Method Using Grasshopper Optimization Algorithm With Support Vector Machine Classifier
چکیده انگلیسی مقاله Aims: Epilepsy is a brain disorder disease that affects people's quality of life. If it is detected at an early stage, seizures will not spread from the initial area. Electroencephalography (EEG) signals are used to diagnose epileptic seizures. However, this method cannot diagnose the state of epileptic seizure precisely. With the help of the Computer-Aided Diagnosis (CAD) system, neurologists can diagnose epileptic seizure stages correctly. This study aims to present a novel method for epileptic seizures detection in EEG signals. Methods & Materials: The Bonn dataset was used in this study with avaibale EEG signals divided into 5-second windows. Then, the Tunable Q-Factor Wavelet Transform (TQWT) was utilized to decompose the segmented EEG signals into various sub-bands. Several statistical and nonlinear features based on fractal dimension and entropy algorithms were extracted from the TQWT sub-bands. Then, the Autoencoder (AE) method with 7 layers was applied to reduce the number of features. Finally, the Support Vector Machine (SVM) and Grasshopper Optimization Algorithm with SVM classifier (GOA/SVM) were used for their classification compared to the K-Nearest Neighbors and Random Forest algorithms. The employment of AE for feature reduction and GOA/SVM for classification are the novelties of this study. Findings: The proposed method demonstrated better performance compared to other methods used in different studies. The GOA/SVM classification method had a high accuracy rate of 99.42% and 99.23% for two-class and multi-class classification problems, respectively. Conclusion: The combination of EEG feature classification methods increases the accuracy of the CAD system in diagnosing epileptic seizures. The method proposed in this study using different methods for extracting features and their classification has high accuracy for epileptic seizures detection.
کلیدواژه‌های انگلیسی مقاله Epileptic seizures, Electroencephalography, Feature extraction, Grasshopper optimization algorithm, Support vector machine
نویسندگان مقاله انیس ملک زاده | Anis Malekzadeh
Department of Electrical Engineering, Faculty of Electrical Engineering, Gonabad Branch, Islamic Azad University, Gonabad, Iran.
گروه مهندسی برق، دانشکده مهندسی برق، واحد گناباد، دانشگاه آزاد اسلامی، گناباد، ایران.

آصف زارع | Assef Zare
Department of Electrical Engineering, Faculty of Electrical Engineering, Gonabad Branch, Islamic Azad University, Gonabad, Iran.
گروه مهندسی برق، دانشکده مهندسی برق، واحد گناباد، دانشگاه آزاد اسلامی، گناباد، ایران.

مهدی یعقوبی | Mahdi Yaghoubi
Department of Electrical Engineering, Faculty of Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran.
گروه مهندسی برق، دانشکده مهندسی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.

روح الله علیزاده ثانی | Roohallah Alizadehsani
Institute for Intelligent Systems Research and Innovation (IISRI), Deakin University, Geelong, Australia.
مؤسسه تحقیقات و نوآوری سیستم‌های هوشمند (IISRI)، دانشگاه دیکین، جیلونگ، استرالیا.

نشانی اینترنتی http://imtj.gmu.ac.ir/browse.php?a_code=A-10-3707-1&slc_lang=en&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده مطالعه بیماری‌ها
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات