فرناز قره‌داغی؛ سعید مشگینی
چکیده
سیگنال‌های الکتروانسفالوگرام (EEG)[i]، فعالیت‌های الکتریکی سلول‌های عصبی مغز را نشان می‌دهند. استخراج سیگنال EEG روشی غیرتهاجمی است که برای تشخیص فعالیت‌های غیرعادی مغز مفید است. تشنج یکی از انواع فعالیت‌های ...
بیشتر
سیگنال‌های الکتروانسفالوگرام (EEG)[i]، فعالیت‌های الکتریکی سلول‌های عصبی مغز را نشان می‌دهند. استخراج سیگنال EEG روشی غیرتهاجمی است که برای تشخیص فعالیت‌های غیرعادی مغز مفید است. تشنج یکی از انواع فعالیت‌های غیرعادی مغز و مهم‌ترین تظاهر بیماری صرع است. دشارژهای صرعی‌شکل (امواج سوزنی)[ii] مهم‌ترین مشخصة سیگنال‌های فرد درحال تشنج است. با آشکارسازی امواج سوزنی، امکان تشخیص بیماری صرع از سیگنال EEG وجود دارد. سیگنال‌های EEG از نوع سیگنال‌های غیرایستان هستند؛ پس تبدیل موجک[iii] که قدرت تفکیک مناسب زمانی و فرکانسی دارد، گزینة مناسبی برای استخراج ویژگی‌های سیگنال‌های EEG است. در این مقاله، پس از مرحلة استخراج ویژگی، با استفاده از تبدیل موجک، شبکه‌های عصبی مصنوعی (ANN)[iv] برای طبقه‌بندی سیگنال‌های سالم و سیگنال‌های دارای بیماری صرع استفاده می‌شوند. همچنین، الگوریتم بهینه‌سازی انبوه ذرات (PSO)[v] روشی جدید برای انتخاب وزن‌ها و بایاس‌های شبکه است تا عملکرد شبکه بهبود یابد. نتایج پیاده‌سازی الگوریتم پیشنهادی، صحت 2/96% را داشته‌اند که نسبت به روش‌های موجود، طبقه‌بندی سیگنال‌های EEG عملکرد بهتری را نشان می‌دهد.
[i] Electroencephalogram
[ii] Spikes
[iii] Wavelet Transform
[iv] Artificial Neural Network
[v] Particle Swarm Optimization
