شماره ركورد كنفرانس :
5306
عنوان مقاله :
شناسايي حملات صرعي بر مبناي استخراج الگوي دوبعدي زمان - فركانسي سيگنال الكتروانسفالوگرام و كاربرد شبكه عصبي عميق كانولوشني
پديدآورندگان :
جعفري فاطمه Fatemeh.jafariiiiiiii73@gmail.com دانشجوي دكتري، گروه مهندسي پزشكي، واحد خميني شهر، دانشگاه آزاد اسلامي، خميني شهر، ايران , موسويان سيد ايمان mousavian@iaukhsh.ac.ir استاديار، گروه مهندسي پزشكي، واحد خميني شهر، دانشگاه آزاد اسلامي، خميني شهر، ايران (نويسنده مسئول) , لطفي فاطمه tansazan2000@yahoo.com دانشجوي دكتري، گروه مهندسي برق ،واحد تهران ، دانشگاه صنعتي مالك‌اشتر، لويزان ، ايران
كليدواژه :
الكتروانسفالوگرام , حملات تشنجي صرعي , محلي‌سازي كانون حمله صرع , تبديل موجك , شبكه عصبي عميق
عنوان كنفرانس :
اولين همايش ملي داده كاوي در علوم مهندسي و زيستي
چكيده فارسي :
صرع يك اختلال عصبي در سيستم اعصاب مركزي و محيطي است. حدود 60 ميليون نفر در جهان به حملات صرعي مبتلا هستند؛ به صورتي كه دومين عامل شايع اختلالات مزمن عصبي را حملات صرعي تشكيل مي‌دهند. در اين مطالعه يك روش شناسايي و محلي‌سازي كانون حمله صرعي بر مبناي آناليز موجك سيگنال الكتروانسفالوگرام و كاربرد شبكه عصبي كانولوشني عميق ارائه مي‌شود. بدين منظور يك الگوريتم پنج‌مرحله‌اي پيشنهاد شده است. در گام اول كه جمع‌آوري داده است، مجموعة 250 داده الكتروانسفالوگرام 23 كانال مبتني بر استاندارد 10-20 از آرشيو داده بيمارستان امين اصفهان براي بيماران قبل از وقوع حمله و حين وقوع حمله صرع اخذ و جمع‌آوري شد. پايگاه‌داده جمع‌آوري‌شده شامل برچسب وقوع حمله يا عدم وقوع و همچنين برچسب كانون حمله صرع است. در گام دوم مجموعه‌داده‌ها به‌عنوان ورودي يك بلوك پيش‌پردازشي براي كاهش در نويز سيگنال در نظر گرفته مي‌شود. بدين منظور از يك فيلتر حوزه فركانس پاسخ ضربه محدود ميان گذر بين 5/0 تا 70 هرتز استفاده شده است. در گام سوم كه يك بلوك پردازشگر است، توزيع زمان - فركانسي بر مبناي محاسبة انسفاكلوگرام براي هر كانال از سيگنال‌هاي پيش‌پردازش شده استخراج مي‌شود. اسكالوگرام مربوط به 23 كانال به‌صورت يك تصوير دوبعدي مونتاژ مي‌شود و با اين روش مي‌توان به يك تصوير دربردارندة اطلاعات توزيع زمان - فركانسي براي همه كانال‌ها دست‌يافت. در گام چهارم تصوير به‌دست‌آمده به‌عنوان ورودي ساختار طبقه‌بندي متداول و ساختارهاي طبقه‌بندي عميق در نظر گرفته مي‌شوند. در گام پنجم از دو تكنيك براي محلي‌سازي كانون حمله صرع استفاده مي‌شود. در روش اول از روش حذف بر مبناي حداقل آنتروپي و در روش دوم از شبكه عصبي كانولوشني بهره‌گيري مي‌شود. نتايج حاصل از شبيه‌سازي نشان داده است كه طبقه‌بندي‌كننده نزديك‌ترين همسايه و ماشين بردار پشتيبان با كرنل غيرخطي دقت بالاي 96 درصد را در طبقه‌بندي از ساختارهاي يادگيري ماشين و شبكه عصبي كانولوشني عميق صحتي بالاتر از 98.5 درصد را براي ساختارهاي يادگيري عميق به همراه داشته است. همچنين در محلي‌سازي كانون حمله صرع در شرايطي كه سيگنال نسبت سيگنال به نويز پايين‌تري دارد، شبكة عصبي كانولوشني عميق درصد منفي كاذب را كاهش مي‌دهد و صحت محلي‌سازي را از 83 درصد براي آنتروپي به 96 درصد برساند.
