پیش بینی کوتاه مدت حملات صرع جزئی با استفاده از اطلاعات سیگنال الکتروکاردیوگرام بر مبنای شبکه های هوشمند

بیماری صرع یک اختلال عصبی است که به علت تخلیه غیر?طبیعی انرژی?الکتریکی در مغز رخ می?دهد و نشان?های از وجود نوعی اختلال مزمن در عملکرد مغز است. حملات ناگهانی که منحصراً در یک قسمت مغز رخ می دهند حملات جزئی نام دارند و مشکلات فراوانی را در زندگی بیماران مصروع ایجاد می کند. پیش بینی زمان وقوع حملات صرع به عنوان ابزاری برای جلوگیری از وقوع حمله و یا هشداری برای بیماران، می تواند نقش بسزایی در ارتقاء سطح زندگی آن?ها داشته باشد. امروزه با پیشرفت علوم ریاضی و مهندسی این حملات را چند دقیقه و یا حتی چند ساعت قبل از روی سیگنال الکتروآنسفالوگرافی? (eeg) پیش بینی می کنند. بدین منظور نیاز به گرفتن مداوم این سیگنال از سر بیمار می باشد ولی بدلیل حساسیت بالایی که این سیگنال نسبت به نویز دارد امکان ثبت آن بصورت سیار و خارج از شرایط کلینیکی وجود ندارد. متغیر مهم دیگری که به هنگام بروز صرع جزئی تحت تاثیر قرار می گیرد، نرخ و ضربان قلب است. به منظور بررسی این تغییرات نیاز به ثبت سیگنال الکتروکاردیوگرام?(ecg) است که به صورت سیار و خارج از شرایط کلینیکی از بیمار قابل ثبت می?باشد. با توجه به اهمیت و کاربردهای فراوان پیش بینی حملات صرع و جهت نزدیکتر شدن به پیاده سازی عملی این سیستم، در این پایان نامه با استفاده از اطلاعات سیگنال ecg به پیش بینی کوتاه مدت حملات صرع جزئی پرداخته شده است. بدین جهت، ابتدا با استفاده از الگوریتم آشکارسازی قله r?، محل دقیق ضربان?های?قلب آشکار شد سپس ویژگی?های آماری (میانگین، واریانس، بیشینه، کمینه، میانه و انحراف معیار)، تبدیل موجک گسسته و چگالی طیفی?توان از هر ضربان استخراج شدند. پس از آن بردار ویژگی حاصل توسط دو طبقه?بندی کننده ی شبکه?عصبی پرسپترون چند لایه و k نزدیکترین همسایگی طبقه?بندی شد و بهترین نتیجه توسط طبقه?بندی?کننده knn بدست آمد که دو کلاس حالت حمله و غیرحمله را با صحت 91.85% طبقه?بندی کرد. پس از آن میزان موثر بودن هر ویژگی توسط الگوریتم uta تعیین شد و منجر به حذف 201 ویژگی بی?تاثیر شد. در مرحله بعد به منظور بهبود نتایج، ویژگی?های نماهای?لیاپانوف و واریانس?تاکوگرام از ریتم?قلب استخراج شدند و بردار ویژگی جدید از ترکیب ویژگی?های موثر بدست آمده از ضربان?قلب و ویژگی?های استخراج شده از ریتم?قلب، حاصل شد سپس دو کلاس حالت حمله و غیرحمله با دو طبقه?بندی ذکر شده تفکیک شدند. در این حالت صحت به میزان 99.77% توسط شبکه?عصبی پرسپترون چند لایه افزایش یافت. بدین منظور از ضربان?های قلبی طبیعی و صرعی موجود در پایگاه داده physionet استفاده شده است.