روشي جديد در تشخيص صرع از سيگنال EEG با استفاده از تركيب طبقه­بند شبكه عصبي MLP و الگوريتم ابتكاري IPO

صرع يك بيماري عصبي است كه بواسطه حملات ناگهاني مي تواند موجب جراحت فيزيكي يا حتي در مواردي موجب مرگ مبتلايان شود. سيگنال الكتروانسفالوگرافي (EEG) نقش مهمي در تشخيص صرع ايفا مي كند و به واسطه بررسي و مطالعه سيگنال EEG امكان تشخيص بيماري وجود دارد. در اين مقاله، از تركيب الگوريتم بهينه سازي سيستم صفحات شيب دار (IPO) و شبكه عصبي پرسپترون چند لايه (MLP) به عنوان روشي نوين جهت تشخيص و طبقه بندي هوشمند سيگنال هاي صرعي و سالم از يكديگر بهره گرفته شده است. در روش پيشنهادي، با استفاده از تبديل ويولت گسسته و سپس محاسبه پارامتر طول خط براي هر زيرسيگنال حاصله از تبديل ويولت، ويژگي هاي هر سيگنال استخراج و به عنوان ورودي به شبكه عصبي در نظر گرفته مي شود. سپس وزن هاي بهينه براي شبكه عصبي توسط الگوريتم IPO تخمين و به شبكه اعمال مي شود. ساختار پيشنهادي با ميانگين زمان سپري شده 03/17 ميلي ثانيه به ازاي درصدهاي متفاوتي از داده هاي آموزش، دقت 100% را براي طبقه بندي داده هاي آموزش و آزمون نشان مي دهد. نتايج تجربي بيانگر دقت مطلوب و چشمگير شبكه عصبي بهينه در طبقه-بندي اسپايك هاي صرعي از سيگنال EEG است كه قادر به شناسايي دقيق سيگنال هاي سالم و صرعي از يكديگر است.