دسته بندی حملات صرعی با ویژگی آماری سیگنال الکتروانسفالوگرافی
چکیده
تشخیص صرع زمان‌بر بوده و نیاز به مشاهدات کامل برای تعیین نوع صرع و تعیین منطقه‌ای از قشر مغز است که با شروع حمله مرتبط می‌باشد. این مقاله یک روش بدون‌درد طبقه‌بندی صرع، برای تشخیص مستقیم صرع ارائه می‌دهد و صحت طبقه‌بندی سیگنال الکتروانسفالوگرافی چند دسته‌ای را در حین حمله صرعی بررسی می‌کند. برای انجام تحقیقات ما از جعبه‌ابزارDWT در نرم‌افزار MATLABاستفاده می‌کنیم تا ویژگی‌های معتبر در بردارهای ویژگی را به‌دست آوریم. پس‌ازآن، بردارهای ویژگی وارد لایه ورودی طبقه‌بندی‌کننده شبکه عصبی شده تا تفاوت میان دوره‌هایی که در آن‌ها سیگنال الکتروانسفالوگرافی نرمال، نشان‌دهنده حمله و بین حملات است را مشخص کند. نرخ صحت، بر اساس ماتریس اغتشاش محاسبه می‌شود. روش پیشنهادی، جهت نظارت و تشخیص نوع صرع به همراه سیستم اعلام خطر قابل استفاده است.
1. مقدمه
مغز انسان ساختاری پیچیده است و در میان بیماری‌های عصبی گوناگون، صرع پس از سکته مغزی، در جایگاه دوم قرار دارد که حدود 50 میلیون نفر در سراسر جهان از این بیماری رنج می‌برند. تخلیه الکتریکی مغزی به صورت گذرا، ناگهانی و نامنظم، نشان دهنده صرع است که باعث لزش اندام بیمار و عدم آگاهی وی می‌شود. بسته به منطقه سلول‌های عصبی آسیب دیده قشر مغز، صرع به‌طور کلی به دو نوع حملات صرعی جزئی و عمومی طبقه‌بندی می‌شود.
Abstract
Epilepsy detection is enough time consuming and requires thorough observation to determine epilepsy type and locate the responsible area of the cerebral cortex. This paper proposes an effortless epilepsy classification method for straightforward epilepsy detection and investigates the classification accuracy of multiclass EEG signal during epilepsy. To accomplish our research work we exploit DWT MATLAB toolbox to obtain responsible features to accumulate feature vectors. Afterwards feature vectors are given in the input layer of the NN classifiers to differentiate normal, interictal and ictal EEG periods. Accuracy rate is calculated based on the confusion matrix. Proposed method can be utilized to monitor and detect epilepsy type incorporating with alarm system.
I. INTRODUCTION
Human brain is a complex structure engineered and among innumerable neurological disease, epilepsy holds the second place after stroke where 50 million people suffer globally [1]. Temporal, sudden and irregular cerebral electrical discharge characterizes epilepsy that compelled patient to shake their extremities and lose consciousness. Depending on the affected neuron cell area of the cortex, epilepsy categorized as partial and generalized epileptic seizures [2]. It is crucial to differentiate the normal EEG period, interictal EEG period and ictal EEG period signal to classify the types of epileptic seizures. Interictal period is EEG signal during a seizure-free interval of an epileptic subject and ictal period is EEG signal during a seizure of an epileptic subject.
چکیده
1. مقدمه
2. مواد و روش‌ها
الف) جمع آوری و توصیف داده
ب) فلوچارت تجربی
پ) استخراج بردار ویژگی با استفاده از تبدیل موجک گسسته
ت) طراحی شبکه عصبی جهت طبقه‌بندی سیگنال
3. نتایج
الف) نتایج تجزیه تبدیل موجک گسسته و استخراج ویژگی
ب) طراحی شبکه عصبی برای طبقه‌بندی
پ) نقشه‌های رگرسیون
4. بحث
5. نتیجه‌گیری
Abstract
I. INTRODUCTION
II. MATERIALS AND METHODS
A. Data Collection and Description
B. Experimental Flowchart
C. Feature Vectors Extraction using DWT
D. NN Design for Classification
III. RESULTS
A. DWT decomposition and feature collection results
B. NN design for classification
C. Regression plots
IV. DISCUSSION
V. CONCLUSION
- 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