تشخيص تشنج هاي صرعي با استفاده از آناليز پارامترهاي Hjorth و مدل خودبازگشتي

در اين مقاله آناليز سري زماني سيگنالهاي EEG به منظور تشخيص و طبقه بندي خودكار حملات صرع مورد بررسي قرار گرفته است. استخراج پارامترهاي Hjorth و همچنين استفاده از مدل خودبازگشتي ميتواند ويژگيهاي زماني سيگنالهاي EEG را بيان كنند. پارامترهاي Hjorth عبارتند از پارامتر فعاليت، پارامتر تحرك و پارامتر پيچيدگي. در اين مطالعه با پنجره گذاري روي سيگنال در پنجره هاي به طول 1365 سمپل (7/9 ثانيه اي)، ويژگي هاي فعاليت ، تحرك و پيچيدگي و همچنين ضرايب مدل خودبازگشتي با مرتبه 11، از هر پنجره استخراج شده است. كارايي چهار طبقه بند به نامهاي شبكه عصبي كوانتيزه كننده برداري (LVQ)، شبكه عصبي احتمالاتي (PNN)، همچنين آناليز تفكيك كننده خطي (LDA) و K نزديكترين همسايگي (KNN)، براي طبقه بندي الگوهاي صرعي مقايسه شده است. نتايج اين مطالعه نشان ميدهد كه ويژگي هاي فوق قابليت تفكيك حملات صرعي زمان كوتاه را از سيگنالهاي بدون تشنج دارا ميباشند، همچنين طبقه بند KNN بهتر از ساير طبقه بند ها با دقت 98/33% اين عمل را انجام ميدهد.