معرفی مشخصه استخراج غیرخطی مبتنی بر ضرایب DT-CWT سیگنال های EEG مغز برای تشخیص تشنجهای صرعی
نویسندگان
1 دانشگاه آزاد اسلامی واحد مهدی شهر، مهدیشهر، ایران
2 دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی ارومیه، ارومیه، ایران
3 دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی ارومیه، ارومیه، ایران
4 دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی ارومیه، ارومیه، ایران
5 دانشگاه آزاد اسلامی واحد مهدی شهر، مهدیشهر، ایران
doi
10.22075/jme.2025.30724.2461چکیده
صرع نوعی بیماری مغزی است که با مشاهده سیگنال های EEG قابل تشخیص است. ابن بیماری غالبا در کودکان رخ می دهد. با این وجود، برخی از موارد در بزرگسالان نیز مشاهده می شود. تشخیص این بیماری در مراحل اولیه برای پزشکان یک وظیفه چالش برانگیز است. نویسندگان در این کار، سیگنال EEG صرعی و طبیعی را با اتخاذ رویکرد یادگیری عمیق کلاسبندی کردهاند. برای دست یابی به ویژگی های کارآمد، موجک مختلط درختی دوگانه (DTCWT) در نظر گرفته شده است. سپس، ضرایب موجک تجزیه شده به استخراج ویژگی غیرخطی اعمال می شود. این ویژگی ها به عنوان ورودی کلاس بند تابع پایه هیبریدی شعاعی (RBF) استفاده می گردند. با استفاده از روش پیشنهادی، حدود 99 درصد دقت کلاس بندی مشاهده می شود. این امر، نیازمند بهبود قابل توجه الگوریتم پیشنهادی در مقایسه با سایر الگوریتم های ارائه شده قبلی است. اولین بار است که جهت تشخیص صرع از استخراج ویژگی غیر خطی بر روی ضرایب DT-CWT یک سیگنال EEG استفاده می شود.
