این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
طب داخلی روز، جلد ۲۸، شماره ۱، صفحات ۰-۰
عنوان فارسی تشخیص تشنج های صرعی از سیگنال های EEG با استفاده از TQWT و SVM-GOA
چکیده فارسی مقاله اهداف هدف اصلی از این مقاله ارائه یک سیستم کمک تشخیص پزشکی (CADS) مبتنی بر هوش مصنوعی (AI) جهت تشخیص تشنج های صرعی از سیگنال های EEG است. در این کار، از ترکیب ویژگی های مختلف در کنار الگوریتم های اتواینکدر (AE) و ماشین بردار پشتیبان با روش بهینه سازی ملخ (SVM-GOA) جهت تشخیص دقیق تشنج های صرعی استفاده شده است. CADS پیشنهادی می تواند به متخصصان مغز و اعصاب در تشخیص دقیق تر کمک کند.   روش ها و مواد این مقاله یک روش هوشمند مبتن بر AI برای تشخیص خودکار تشنج های صرعی از سیگنال های EEG ارائه مشده است. روش پیشنهادی شامل مراحل شامل پیش پردازش، استخراج ویژگی، کاهش ویژگی و طبقه بندی است. در مرحله اول، ما از یک فیلتر باند گذر با فرکانس قطع 40-0.5 هرتز برای حذف نویزها استفاده کردیم. سپس، تبدیل TQWT برای تجزیه سیگنال EEG استفاده می شود. در مرحله دوم، ویژگی های مختلف خطی و غیر خطی از هر زیر باند TQWT استخراج می شود. در سه مرحله ، یک ایتواینکدر (AE) با لایه های پیشنهادی برای کاهش ویژگی استفاده می شود. در مرحله آخر، از چهار روش شامل ماشین بردار پشتیبانی (SVM) ، SVM با الگوریتم بهینه سازی ملخ (SVM-GOA) ، K نزدیکترین همسایه (KNN) و جنگل تصادفی (RF) برای طبقه بندی استفاده می شود. نتایج نتایج نشان می دهد که روش پیشنهادی دارای راندمان بالایی است. در این کار ، روش طبقه بندی پیشنهادی SVM-GOA با تکنیک های طبقه بندی مختلف مقایسه شده است. روش SVM-GOA پیشنهادی به دقت 99.42٪ برای طبقه بندی دو کلاس و دقت 99.23% مساله طبقه بندی چند کلاس دست یافته است.   نتیجه گیری با توجه به اهمیت تشخیص انواع تشنج های صرعی ، یک CADS با دقت بالا بر اساس هوش مصنوعی (AI) در این کار معرفی شده است. دقت بالا ، استفاده از روشهای مختلف برای استخراج و طبقه بندی ویژگیها از جمله مزایای روش پیشنهادی ما است.
کلیدواژه‌های فارسی مقاله تشنج های صرعی، سیگنالهای الکتروانسفالوگرافی، تشخیص، استخراج ویژگی، ماشین بردار پشتیبان به همراه الگوریتم بهینه سازی ملخ
عنوان انگلیسی Epileptic Seizure Detection in EEG signals Using TQWT and SVM-GOA Classifier
چکیده انگلیسی مقاله Background: Epilepsy is a Brain disorder disease that affects people's quality of life. If it is diagnosed at an early stage, it will not be spread. Electroencephalography (EEG) signals are used to diagnose epileptic seizures. However, this screening system cannot diagnose epileptic seizure states precisely. Nevertheless, with the help of computer-aided diagnosis systems (CADS), neurologists can diagnose epileptic seizure stages properly. Objective:The aims of this study are to epileptic seizures diagnosis by using EEG signals and distinguish its different stages. Using various statistical and non-linear features, the CADS proposed in this study is capable of diagnosing epilepsy seizures precisely and quickly. Therefore, this system can help the neurologists to diagnose more accurately. Material and methods: This paper focuses on a novel method for epileptic seizure detection based on EEG signals using artificial intelligence (AI) techniques. First, the Bonn dataset is used for trials, and the EEG signals are divided into 5-second intervals. Then, tunable q-factor wavelet transform (TQWT) was utilized to analyze EEG signals into various sub-bands. Several statistical and nonlinear features (fractal dimensions (FDs) and entropies) of TQWT sub-bands are extracted in the following sections. In the next procedure, the Autoencoder (AE) method with proposed layers is applied to reduce features, and finally, different classification algorithms such as Support Vector Machine (SVM), SVM with grasshopper optimization algorithm (SVM-GOA), K-Nearest Neighbors (KNN), and Random Forest (RF) are employed. The employment of AE for feature reduction and SVM-GOA for classification is the novelty of this study. Results: According to results, the proposed method of epileptic seizure detection demonstrated better performance compared to related works. The proposed SVM-GOA classification method has a higher accuracy rate as much as 99.42% and 99.23% for two-class and multi-class classification problems, respectively. Conclusion: The combination of effective features in diagnosing periods of epileptic seizure along with appropriate classification methods increases the accuracy of the CADS. Considering the importance of diagnosing various epileptic seizures, a high-precision CADS is introduced in this work. High accuracy, using different methods for extracting features and classification are among the advantages of our proposed method.
کلیدواژه‌های انگلیسی مقاله Epileptic Seizures, EEG Signals, Diagnosis, Feature Extraction, SVM-GOA
نویسندگان مقاله انیس ملک زاده | Anis Malekzadeh
Department of Electrical Engineering, Gonabad Branch, Islamic Azad University, Gonabad, Iran
دپارتمان مهندسی برق، دانشگاه آزاد اسلامی واحد گناباد، گناباد، ایران

آصف زارع | Assef Zare
Department of Electrical Engineering, Gonabad Branch, Islamic Azad University, Gonabad, Iran
دپارتمان مهندسی برق، دانشگاه آزاد اسلامی واحد گناباد، گناباد، ایران

مهدی یعقوبی | Mahdi Yaghoubi
Department of Electrical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran;
دپارتمان مهندسی برق، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران

روح الله علیزاده ثانی | Roohallah Alizadehsani
Institute for Intelligent Systems Research and Innovation (IISRI), Deakin University, Geelong, Australia
مرکز ایزری، دانشگاه دیکین استرالیا، جیلانگ، استرالیا

نشانی اینترنتی http://imtj.gmu.ac.ir/browse.php?a_code=A-10-3707-1&slc_lang=en&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده مطالعه بیماری‌ها
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات