شناسايي خودكار حالت‌هاي مختلف بيماري صرع از سيگنال EEG بر اساس يادگيري ديكشنري

Automatic Identification of Epileptic Seizures from EEG Signals based on Dictionary Learning

استفاده از يك روش هوشمند براي تشخيص خودكار مراحل مختلف بيماري صرع در كاربردهاي پزشكي جهت كاهش حجم كار پزشكان در تجزيه و تحليل داده‌هاي صرع از طريق بازرسي بصري يكي از چالش‌هاي مهم در سال‌هاي اخير بوده است. يكي از مشكلات شناسايي خودكار مراحل مختلف بيماري صرع، استخراج ويژگي‌هاي مطلوبي است كه بتوانند بيش‌ترين تمايز را ميان مراحل مختلف صرع ايجاد نمايند. فرايند يافتن ويژگي‌هاي مناسب عموما امري زمان‌بر است. در اين پژوهش رويكرد جديدي براي شناسايي خودكار مراحل مختلف صرع ارائه شده است. در اين مقاله از دسته‌بندي مبتني بر نمايش تنك سيگنال (SRC) به همراه يادگيري ديكشنري آموزش ديده براي شناسايي خودكار مراحل مختلف بيماري صرع با استفاده از سيگنال EEG استفاده شده است. روش پيشنهادي در 8 سناريو از 9 سناريوي ارائه شده به صحت، حساسيت و اختصاصيت 100% دست يافته و هم‌چنين در برابر نويز گوسي تا سطح صفر دسي­بل مقاوم مي‌باشد. نتايج به دست آمده نشان مي‌دهد كه استفاده از الگوريتم پيشنهادي براي شناسايي مراحل مختلف صرع موفقيت بيش‌تري نسبت به ساير روش‌هاي مشابه دارد.

Using a smart method to automatically detect different stages of epilepsy in medical applications, to reduce the workload of physicians in analyzing epilepsy data by visual inspection is one of the major challenges in recent years. One of the problems of automatic identification of different stages of epilepsy is extraction of desirable features which can make the most distinction between different stages of epilepsy. The process of finding the proper features is generally time consuming. This study presents a new approach for the automatic identification of different epileptic stages. In this paper, a sparse represantion-based classification (SRC) with proposed dictionary learning is used to automatically identify the different stages of epilepsy using the EEG signal. The proposed method achieves 100% accuracy, sensitivity and specificity in 8 out of 9 scenarios. Also the proposed algorithm is resistant to Gaussian noise up to 0 decibels. The results show that using the proposed algorithm to identify different epileptic stages has a higher success rate than other similar methods.