طبقه بندي حمله صرعي در سيگنال EEG با استفاده از سيستم استنتاج عصبي- فازي تطابقي

CLASSIFICATION OF EPILEPTIC SEIZURE IN EEG SIGNAL USING ADAPTIVE NEURO FUZZY INFERENCE SYSTEM

پيش‌زمينه و هدف: بيماري صرع نوعي اختلال مغزي است كه در آن سلول‌هاي عصبي پيام‌هاي غيرطبيعي دريافت مي‌كنند. اين بيماري مي‌تواند منجر به بروز رفتارها و علائم و احساسات غيرطبيعي ازجمله از بين رفتن هوشياري شود، كه حمله صرعي يا تشنج ناميده مي‌شود. تشخيص و طبقه‌بندي سيگنال‌هاي EEG در زمان‌هاي تشنج از زمان‌هاي بدون حمله و بررسي وضعيت بيمار در بازه‌هاي زماني شروع تا پايان تشنج حائز اهميت است. مواد و روش‌ كار: براي اين منظور در اين مقاله از 100 نمونه سيگنال EEG در پنج گروه مختلف كه در مركز صرع در دانشگاه بن آلمان ثبت‌شده، استفاده‌شده است. در اين مجموعه، داده‌ها به‌وسيله الكترودهاي سطحي براي افراد سالم و براي بيماران به‌وسيله الكترودهاي كاشتني در هيپوكامپو لوب گيجگاهي گرفته‌شده است. در روش ارائه‌شده در اين مقاله، از اطلاعات زمان-فركانس در پنج طيف اصلي سيگنال EEG، ويژگي‌هاي آماري استخراج شده است. پس از كاهش بعد ويژگي‌هاي آماري، طبقه‌بندي بر پايه شبكه‌هاي تطابقي با استنتاج فازي (ANFIS) انجام شده است. يافته‌ها: نتيجه حاصل از تركيب پيشنهادي ما در طبقه‌بندي كننده توانست به خطاي نوع اول و دوم طبقه‌بندي به ترتيب صفر و 02/0 درصد دست يابد كه بهترين نتيجه نسبت به مقالات پيشين بر روي مجموعه دادگان مشترك بوده است. بحث و نتيجه‌گيري: طبقه‌بندي سيگنال EEG جهت تشخيص بروز حمله، مي‌تواند در تشخيص مواردي كه ظهور علائم باليني مشكوك به تشنج خصوصاً در نوزادان، مؤثر واقع شود.

Background & Aims: Epilepsy is a brain disorder in which nerve cells receive abnormal inputs. This disease can lead to abnormal behaviors, feelings and symptoms such as loss of consciousness, which is called the seizure. Identification and classification of the epileptic seizure events in electroencephalographic signal against free seizure intervals plays an important role in clinical investigations. Materials & Methods: We used five groups of 100 EEG signals recorded at Bon University. EEG time series recorded in surface EEG recordings from healthy volunteers and intracranial EEG from epilepsy patients during the seizure-free interval within and outside the seizure. In the first step, statistical features were extracted from the time-frequency characteristics of EEG signals in five main spectra. Reduced dimension of the statistical features was fed to adaptive neuro fuzzy inference system as a strong classifier. Results: The results obtained in this study improved the accuracy of their pre-published researches. The first and second error in our method has reached zero and 0.02, respectively. Conclusion: This research is an effective way for diagnostic seizure events, specifically once there are suspected clinical symptoms of epileptic such as occurred in newborns.