طبقه بندی سیگنال های مغزی در بیماری صرع با استفاده از الگوی دودویی محلی

سیگنال الکتروانسفالوگرافی (EEG) فعالیت عصبی در مغز را ثبت می کند که از آن در تشخیص فعالیت های صرع استفاده میشود. کنترل چشمی سیگنال EEG برای تشخیص صرع، وقت گیر و گاها با اشتباهات زیادی همراه است. در این مقاله، یک رویکرد خودکار موثر برای تشخیص صرع با استفاده از استخراج ویژگی الگوی دودویی محلی کوانتیزه چندتایی یک بعدی (پیشنهاد شده است. ویژگی های استخراج شده به الگوریتم های طبقه بندی مانند۱D-MQLBP)، k-NNماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی پیشخور برای طبقه بندی سیگنال های EEG وارد می شوند. عملکرد طبقه بندی برای ۱۸ سناریو مختلف با استفاده از اعتبار سنجی متقابل ۱۰ قسمتی، برای طبقه بندی حالتهای افراد سالم - مبتلا به صرع (با تشنج) ، صرع (با تشنج) - صرع (بدون تشنج) ، افراد سالم - صرع (بدون تشنج)، افراد بدون تشنج - با تشنج و افراد سالم - صرع بدون تشنج) - صرع (با تشنج) بررسی شده است. نتیجه آزمایش ها نشان میدهد که در همه موارد، روش۱D-MQLBPبا استفاده از طبقه بند ANN و FFNN به دقت قابل قبولی دست یافته است. علاوه بر این ، عملکرد محاسباتی و دقت طبقه بندی روش پیشنهادی با روش های پیشین تشخیص صرع نشان میدهد که عملکرد روش پیشنهادی با طبقه بندی ANN و FFNN نسبت به سایر تکنیک های پیشین برای طبقه بندی فوق الذکر بهتر است. نتایج طبقه بندی برای سناریوهایAC-E .A-D D-E ،C-E ،B-E ،A-E و AB-Eبه دقت ۱۰۰٪ رسیده است.