شناسایی خودکار حالت‌های مختلف بیماری صرع از سیگنال EEG با استفاده از شبکه‌های یادگیری عمیق
نویسندگان
چکیده مقاله:
استفاده از روشی هوشمند برای تشخیص خودکار مراحل مختلف صرعی در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه‌وتحلیل داده‌های صرع با بازرسی بصری، یکی از چالش‌های مهم در سال‌های اخیر محسوب می‌شود. یکی از مشکلات شناسایی خودکار مراحل مختلف صرعی، استخراج ویژگی‌های مطلوب است؛ به‌گونه‌ای که این ویژگی‌ها بتوانند بیشترین تمایز را بین مراحل مختلف صرعی ایجاد کنند. فرآیند یافتن ویژگی‌های مناسب، عموماً امری زمان‌بر است. این پژوهش، رویکرد جدیدی را برای شناسایی خودکار مراحل مختلف صرعی ارائه می‌دهد. در این مقاله، یک شبکۀ کانولوشنال عمیق با 8 لایۀ کانولوشن و 2 لایۀ تماماً متصل برای یادگیری ویژگی‌ها به‌صورت سلسله‌مراتبی و شناسایی خودکار مراحل مختلف صرعی با استفاده از سیگنال EEG ارائه می‌شود. نتایج نشان می‌دهند استفاده از یادگیری عمیق در کاربردهایی همچون یادگیری ویژگی به‌صورت سلسله‌مراتبی و شناسایی مراحل مختلف صرعی، درصد موفقیت بالاتری نسبت به سایر روش‌های مشابه دارد. مدل پیشنهادی ارائه‌شده در این مقاله برای طبقه‌بندی 3 حالت مختلف صرعی، مقدار 100% را دربارۀ معیارهای صحت، حساسیت و اختصاصیت فراهم می‌کند.
منابع مشابه
مکان‌یابی کانون‌های صرع از طریق پردازش EEG-fMRI هم‌زمان و شناسایی خودکار اینترایکتال از EEG داخل اسکنر
به خاطر رزولوشن زمانی خوب EEG و رزولوشن مکانی مناسب fMRI ترکیب اطلاعات هم‌زمان آنها می تواند بهبود عملکرد مکان‌یابی را به دنبال داشته باشد. در این مقاله سعی شده با استفاده از اطلاعات این دو مدالیته در یک ثبت هم‌زمان به مکان‌یابی کانون‌های صرعی پرداخته شود. بنابراین نخست از طریق شناسایی وقایع اینترایکتال و میانگین‌گیری، یک الگوی اسپایکر مستخرج از EEG خارج اسکنر ساخته‌شده و سپس از طریق اعمال همبس...
متن کاملتشخیص صرع در سیگنال EEG با استفاده از الگوریتم ابتکاری صفحات شیبدار(IPO)
Epilepsy is a neurological disorder after stroke. About 1 percent of people in the world are involved with this second most common neurological disorder. Epilepsy can affect people of different ages with an altered behavior or lack of patient awareness and affect one's social life. In 75% of cases, if epilepsy is diagnosed early and properly, it can be treated. Among all existing methods of an...
متن کاملتشخیص حملات صرع با استفاده از تخمین طیف سیگنال eeg
در این پایان نامه یک روش جدید با استفاده از تخمین طیف مبتنی بر بردارهای ویژه و شبکه عصبی برای شناسایی حملات صرع معرفی شده است. در این روش سیگنال های eeg به سه دسته ذیل تقسیم بندی می شوند: (1) سیگنال شخص سالم (healthy) (2) سیگنال شخص مبتلا به صرع در غیاب حمله (inter-ictal) (3)سیگنال شخص مبتلا به صرع حین حمله (ictal). روش ارایه شده شامل دو نوع الگوریتم است. در الگوریتم اول، طیف سیگنال eeg با استف...
15 صفحه اولتشخیص حالت‌های احساسی مبتنی بر EEG با استفاده از شبکه یادگیری عمیق
یکی از راه‌های ارتباط انسان و کامپیوتر بر پایه‌ی شناخت احساسات است. در این مقاله، مساله تشخیص احساسات با استفاده از سیگنال الکتروانسفالوگرام (EEG) مورد توجه قرار گرفته و در آن، با توجه به خاصیت غیرایستایی EEG، با استفاده از تجزیه مد تجربی (EMD)، توابع مد ذاتی (IMF) استخراج شده و سپس ۳ IMF اول انتخاب می‌شود. هر IMF با پنجره یک ثانیه‌ای تبدیل به تکه‌های کوچکتری می‌شود و از هر قسمت ویژگی توان است...
متن کاملشناسایی خودکار مراحل خواب از سیگنال EEG تک‌کاناله با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم تبرید و شبکه‌ی عصبی
در سال‌های اخیر، استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه و تحلیل داده‌های خواب از طریق بازرسی بصری، یکی از چالش‌های مهم به حساب می‌آید. در این مقاله، الگوریتمی مبتنی بر EEG تک‌کاناله برای شناسایی خودکار مراحل خواب، با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم تبرید و شبکه‌ی عصبی ارائه می‌شود. سیگنال با استفاده از تبدیل مو...
متن کاملشناسایی خودکار مراحل خواب از سیگنال EEG تک کاناله با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و شبکه عصبی مبتنی بر طبقه‌بند RUSBoost
طبقه‌بندی کردن خودکار مراحل خواب به منظور تشخیص دادن به موقع اختلالات و مطالعات مرتبط با خواب امری ضروری است. در این مقاله الگوریتمی مبتنی بر EEG تک کاناله برای شناسایی خودکار مراحل خواب با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم کلونی مورچگان و نیز شبکه عصبی مبتنی بر طبقه‌بند RUSBoost ارائه می‌شود. سیگنال با استفاده از تبدیل موجک گسسته به 4 سطح تجزیه شده و ویژگی‌های آماری از هر یک ا...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 11 شماره 3
صفحات 1- 12
تاریخ انتشار 2020-09-22
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023