تشخیص صرع در سیگنال EEG


[su_note note_color="#69cdea" text_color="#0d0f0e" radius="15"]عنوان انگلیسی مقاله:  Detection of seizures in EEG using sub-band nonlinear parameters and genetic algorithm[/su_note]
[su_note note_color="#69cdea" text_color="#0d0f0e" radius="15"]عنوان فارسی مقاله: تشخیص صرع در سیگنال EEG با استفاده از پارامترهای غیرخطی زیرباند و الگوریتم ژنتیک[/su_note]

 

َAbstract

.Detection of seizures in EEG can be challenging because of myogenic artifacts and might be time-consuming In this study,we propose a method using sub-band nonlinear parameters and genetic algorithm automatic seizure detection in EEG. In the experiment,the discrete wavelet transform was used to decompose EEG into five sub-band components. Nonlinear parameters were extracted and employed as the features to train the support vector machine with linear kernel function(SVML) and radial basis function kernel function(SVMRBF) classifiers. A genetic algorithm(GA) was used for selecting the effective feature subset.The seizure detection sensitivities of the SVML and the SVMRBF with GA are 90.8% and 94.0%, respectively. The sensitivity of SVMRBF increases to 95.8% by using GA for weight adjustment. Moreover,the proposed method is capable of discriminating the interictal EEG of epileptic subjects from the normal EEG, .which is considered difficult,yet crucial,in clinical services.

 

چکیده:

تشخیصِ صرع در سیگنال EEG می­تواند بدلیل آرتیفکت­های مربوط به ماهیچه بصورت یک چالش باشد، و همچنین ممکن است زمان­بر نیز باشد. در این مطالعه، روشی را با استفاده از پارامترهای غیرخطی زیرباند و الگوریتم ژنتیک، جهت تشخیص خودکار تشنج از روی سیگنال EEG را پیشنهاد می­کنیم. در این آزمایش، تبدیل گسسته­‌ی ویولت برای تجزیه­‌ی EEG به 5 جزء زیرباند استفاده شد. پارامترهای غیرخطی استخراج شدند و بعنوان ویژگی­ها برای آموزشِ کلاسیفایرِ ماشین بردار حمایتی با تابع کرنل خطی(SVML) و تابع پایه­ی شعاعی (SVMRBF) بکار گرفته شدند. الگوریتم ژنتیک(GA) نیز برای انتخاب زیرمجموعه­‌ی ویژگی­‌های کارآمد استفاده شد. حسایت­‌های تشخیص تشنج با SVML وSMRBF بهمراه GA، بترتیب 90/8 % و 94% بود. حساسیت SVMRBF با استفاده از GA، که برای تنظیم وزن­‌ها استفاده شد، 95/8 % افزایش یافت. به هرحال، روش پیشنهادی، توانایی تفکیک EEG اینترتیکال  افراد مبتلا به صرع و EEG افراد سالم را دارد، که برای خدمات کیلنیکی روند سختی است.


رشته: مهندسی پزشکی موضوع: پردازش سیگنال‌های حیاتی سال انتشار: 2010 کلمات کلیدی مقاله: Seizure،Discrete wavelet transform، Nonlinear parameters، Support vector machine Genetic algorithm تعداد صفحات مقاله: 8 صفحه  

ورود به فروشگاه فروش مقاله

.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه ارسال کنند.