شناسایی صرع بر اساس بهینه سازی ویژگی های ادغامی تبدیل هارتلی با مدل ترکیبی mlp و ga همراه با استراتژی یادگیری ممتیک

چکیده: یکی از مسائل مهم در پردازش سیگنال های eeg، تشخیص حمله صرع است. در این مقاله، یک الگوریتم تشخیص و طبقه بندی سیگنال های مغزی حاوی حمله صرع از سیگنال های بدون حمله بر اساس ادغام ویژگی های تبدیل هارتلی پیشنهاد شده است. در این الگوریتم، علاوه بر استخراج ویژگی های معمول زمانی و فرکانسی مانند آنتروپی طیفی و چگالی طیف توان، یک ویژگی جدید مبتنی بر ادغام ویژگی های مستخرج از تبدیل هارتلی تعریف می شود. برای تعریف این ویژگی جدید، ویژگی های مستخرج از تبدیل هارتلی بر اساس یک سناریوی ماتریس کرنلی ادغام می شوند. جهت بهینه کردن و کاهش ابعاد بردار ویژگی مستخرج از سیگنال های مغزی، از یک مدل ترکیبی الگوریتم ژنتیک تحت استراتژی آموزش ممتیک و شبکه عصبی چندلایه پس انتشار خطا استفاده می شود. طبقه بندی نهایی بر روی این ویژگی های بهینه شده توسط یک شبکه عصبی پرسپترون با یک لایه پنهان انجام می شود و به طور میانگین صحت 325/95% را در طبقه بندی سیگنال های صرعی فراهم می کند.