تشخيص تشنج صرع در سيگنال‌هاي EEG با استفاده از طبقه‌بندي TQWT و SVM-GOA

A Method for Epileptic Seizure Detection in EEG Signals Based on Tunable Q-Factor Wavelet Transform Method Using Grasshopper Optimization Algorithm With Support Vector Machine Classifier

صرع يك بيماري اختلال مغزي است كه كيفيت زندگي افراد را تحت تأثير قرار مي‌دهد. اگر در مراحل اوليه تشخيص داده شود، گسترش نخواهد يافت. سيگنال‌هاي الكتروانسفالوگرافي براي تشخيص تشنج‌هاي صرع استفاده مي‌شود. با اين حال، اين سيستم غربالگري نمي‌تواند حالت‌هاي تشنج صرع را دقيقاً تشخيص دهد. با وجود اين، با كمك سيستم‌هاي تشخيصي به كمك رايانه (CADS)، متخصصان مغز و اعصاب مي‌توانند مراحل تشنج صرع را به‌درستي تشخيص دهند. هدف از اين مطالعه تشخيص تشنج صرع با استفاده از سيگنال‌هاي EEG و تشخيص مراحل مختلف آن است. CADS پيشنهادي در اين مطالعه با استفاده از ويژگي‌هاي آماري و غيرخطي مختلف، قادر به تشخيص دقيق و سريع تشنج‌هاي صرع است. بنابراين، اين سيستم مي‌تواند به متخصصان مغز و اعصاب در تشخيص دقيق‌تر كمك كند. مواد و روش ها: اين مقاله بر روي يك روش جديد براي تشخيص تشنج صرع بر اساس سيگنال‌هاي الكتروانسفالوگرام با استفاده از تكنيك‌هاي هوش مصنوعي (AI) تأكيد مي‌كند. ابتدا از مجموعه داده بن براي آزمايشات استفاده مي‌شود و سيگنال‌هاي الكتروانسفالوگرام به فواصل پنج‌ثانيه‌اي تقسيم مي‌شوند. سپس تبديل موجك عامل q قابل تنظيم براي تجزيه‌و‌تحليل سيگنال‌هاي الكتروانسفالوگرام به زير باندهاي مختلف استفاده شد. چند ويژگي آماري و غيرخطي (ابعاد فراكتال FDs)) و آنتروپي) زيرباندهاي تبديل موجك عامل Q قابل تنظيم براي روش‌هاي استفاده‌شده در آنتروپي و فركتال استخراج مي‌شوند. در روش بعدي از روش هوش مصنوعي با لايه‌هاي پيشنهادي براي كاهش ويژگي‌ها استفاده مي‌شود و در‌نهايت الگوريتم‌هاي طبقه‌بندي مختلف مانند دستگاه بردار پشتيباني با الگوريتم بهينه‌سازي ملخ (SVM-GOA)، نزديك‌ترين همسايه K-Nearest Neighbors ،(KNN) و جنگل تصادفي استفاده مي‌شوند. استفاده از AE براي كاهش ويژگي و SVM-GOA براي طبقه‌بندي، نشان‌دهنده تازگي اين مطالعه است. يافته ها: با توجه به نتايج، روش پيشنهادي، تشخيص تشنج صرع عملكرد بهتري را در مقايسه با كارهاي مرتبط نشان داد. روش طبقه‌بندي پيشنهادي SVM-GOA داراي ميزان دقت بالاتري به ميزان 99/42 و 99/23 درصد براي مشكلات طبقه‌بندي دوكلاسه و چند‌كلاسه است. نتيجه گيري: تركيب ويژگي‌هاي مؤثر در تشخيص دوره‌هاي تشنج صرع همراه با روش‌هاي طبقه‌بندي مناسب، دقت CADS را افزايش مي‌دهد. با توجه به اهميت تشخيص انواع حملات صرع، يك CADS با دقت بالا در اين كار معرفي شده است. دقت بالا، استفاده از روش‌هاي مختلف براي استخراج ويژگي‌ها و طبقه‌بندي از جمله مزاياي روش پيشنهادي ماست.

Epilepsy is a brain disorder disease that affects people’s quality of life. If it is detected at an early stage, seizures will not spread from the initial area. Electroencephalography (EEG) signals are used to diagnose epileptic seizures. However, this method cannot diagnose the state of epileptic seizure precisely. With the help of the Computer-Aided Diagnosis (CAD) system, neurologists can diagnose epileptic seizure stages correctly. This study aims to present a novel method for epileptic seizures detection in EEG signals. Methods & Materials: The Bonn dataset was used in this study with avaibale EEG signals divided into 5-second windows. Then, the Tunable Q-Factor Wavelet Transform (TQWT) was utilized to decompose the segmented EEG signals into various sub-bands. Several statistical and nonlinear features based on fractal dimension and entropy algorithms were extracted from the TQWT sub-bands. Then, the Autoencoder (AE) method with 7 layers was applied to reduce the number of features. Finally, the Support Vector Machine (SVM) and Grasshopper Optimization Algorithm with SVM classifier (GOA/SVM) were used for their classification compared to the K-Nearest Neighbors and Random Forest algorithms. The employment of AE for feature reduction and GOA/SVM for classification are the novelties of this study. Findings: The proposed method demonstrated better performance compared to other methods used in different studies. The GOA/SVM classification method had a high accuracy rate of 99.42% and 99.23% for two-class and multi-class classification problems, respectively. Conclusion: The combination of EEG feature classification methods increases the accuracy of the CAD system in diagnosing epileptic seizures. The method proposed in this study using different methods for extracting features and their classification has high accuracy for epileptic seizures detection.