شبکه عصبی کانولوشنی عمیق برای تشخیص و عیب یابی خودکار حمله ناگاهانی
چکیده
نوار مغزی (الکترومغزنگاری) (EEG) یک تست کمکی است که به طور متداول در تشخیص حملات صرع مورد استفاده قرار می گیرد. سیگنال EEG حاوی اطلاعاتی درباره فعالیت الکتریکی مغز است. به طور متداول متخصصان مغز و اعصاب بررسی مستقیم تصویری را برای شناسایی ناهنجاری های صرع به کار می گیرند. این تکنیک می تواند وقت گیر باشد، به مصنوعات فنی محدود می شود، نتایج متغیر ثانویه را برای خواننده سطح متخصص فراهم می کند و در شناسایی ناهنجاری محدودیت دارد. بنابراین در توسعه سیستم تشخیص به کمک رایانه (CAD) به منظور تمایز دسته این سیگنال های نوار مغزی با استفاده از تکنیک های یادگیری ماشین ضروری است. این مقاله اولین مطالعه ای است که شبکه عصبی کانولوشنی (CNN) را برای تحلیل سیگنال های نوار مغزی به کار می گیرد. در این کار یک الکوریتم شبکه عصبی کانولوشنی عمیق با 13 لایه برای شناسایی انواع معمولی، مقدماتی و حمله ناگهانی پیاده سازی می گردد. تکنیک پیشنهادی به دقت، خصوصیت و حساسیت به ترتیب به میزان 88.67، 90 و 95 درصد دست یافته است.
مقدمه
براساس گزارش ارائه شده از سوی سازمان بهداشت جهانی (WHO)، نزدیک به 50 میلیون نفر در سرتاسر جهان از بیماری صرع رنج می برند [1]. همچنین تخمین زده می شود که 2.4 میلیون نفر به طور سالانه به بیماری صرع دچار می شوند [1].
حملات ناگهامی به دلیل تخلیه الکتریکی کنترل نشده در گروهی از نرون ها (عصب ها) رخ می دهد [2,3]. تخلیه الکتریکی بیش از اندازه منجر به تخریب کارکرد مغز می شود. بیماری صرع زمانی تشخیص داده می شود که بازگشت حداقل دو حمله ناگهانی غیرقابل تشخیص وجود دارد. این حمله می تواند در هر سنی تاثیرگذار باشد [4].
نتیجه گیری
نوآوری این مدل پیشنهادی به کارگیری شبکه عصبی عمیق برای تشخیص حمله ناگهانی مبتنی بر نوار مغزی است. یک الگوریتم CNN یادگیری عمیق سیزده لایه ای به منظور تجزیه و تحلیل خودکار سیگنال های نوار مغزی به کار گرفته شده است. دقت متوسط به میزان 88.7 درصد همراه با خصوصیت 90 درصدی و دقت 95 درصد به دست آمده است. عملکرد (دقت، حساسیت و خصوصیت) مدل پیشنهادی تا حدی کمتر از کارهای خلاصه شده در جدول 4 است. با این حال، مزیت مدل ارائه شده در این کار به مراحل مجزای استخراج ویژگی و انتخاب ویژگی مربوط می شود که در این کار مورد نیاز نمی باشند. با این حال، عیب اصلی این روش کمبود دیتابیس عظیمی از داده های نوار مغزی است. الگوریتم پیشنهادی نیازمند تنوع داده ها برای دستیابی به عملکرد بهینه است. عملکرد تکنیک پیشنهادی با به کارگیری یک الگوریتم بسته بندی و افزایش تعداد نمونه ها قابل بهبود است.
ABSTRACT
An encephalogram (EEG) is a commonly used ancillary test to aide in the diagnosis of epilepsy. The EEG signal contains information about the electrical activity of the brain. Traditionally, neurologists employ direct visual inspection to identify epileptiform abnormalities. This technique can be time-consuming, limited by technical artifact, provides variable results secondary to reader expertise level, and is limited in identifying abnormalities. Therefore, it is essential to develop a computer-aided diagnosis (CAD) system to automatically distinguish the class of these EEG signals using machine learning techniques. This is the first study to employ the convolutional neural network (CNN) for analysis of EEG signals. In this work, a 13-layer deep convolutional neural network (CNN) algorithm is implemented to detect normal, preictal, and seizure classes. The proposed technique achieved an accuracy, specificity, and sensitivity of 88.67%, 90.00% and 95.00%, respectively.
INTRODUCTION
According to the World Health Organization (WHO), nearly 50 million people suffer from epilepsy worldwide [1]. It is estimated that 2.4 million people are diagnosed with epilepsy annually [1].
Seizures are due to the uncontrolled electrical discharges in a group of neurons. [2, 3]. The excessive electrical discharges result in the disruption of brain function. Epilepsy is diagnosed when there is recurrence of at least two unprovoked seizures. It can affect anyone at any age [4].
CONCLUSION
A novelty of this proposed model is being the first application of deep neural network for EEG-based seizure detection. A 13-layer deep learning CNN algorithm is implemented for the automated EEG analysis. An average accuracy of 88.7% is obtained with a specificity of 90% and a sensitivity of 95%. The performance (accuracy, sensitivity, and specificity) of proposed model is slightly lower than some of the works summarized in Table 4. The advantage of the model presented in this paper, however, is separate steps of feature extraction and feature selection are not required in this work. Nevertheless, the main drawback of this work is the lack of huge EEG database. Proposed algorithm requires a diversity of data to obtain an optimum performance. The performance of this technique can be improved by applying a bagging algorithm and increasing the number of samples.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
مقدمه
DATA
روش کار
پیش پردازش
شبکه عصبی مصنوعی (ANN)
شبکه عصبی کانولوشنی (CNN)
معماری
آموزش شبکه CNN
آزمایش مدل شبکه CNN
اعتبارسنجی متقابل k تایی
نتایج
بحث
نتیجه گیری
منابع
ABSTRACT
INTRODUCTION
DATA
METHODOLOGY
Pre-processing
Artificial Neural Network (ANN)
Convolutional Neural Network (CNN)
Architecture
Training of CNN
Testing of CNN model
k-fold cross-validation
RESULTS
DISCUSSION
CONCLUSION
REFERENCES
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه