استفاده از یک مکانیزم کاهش ابعاد برای بهبود تشخیص بیماری صرع با استفاده از سیگنال های مغزی

بیماری صرع یک بیماری سیستم عصبی است که دارای اثر مخربی بر روی زندگی افراد است. تشخیص این بیماری و شروع به درمان آن می تواند، تاثیرات مهمی بر روی سلامت و کیفیت زندگی بیماران داشته باشد. در این مقاله به ارائه یک روش کاهش ابعاد برای بهبود تشخیص بیماری صرع در افراد براساس الگوریتم جنگل تصادفی می پردازیم. برای این منظور در ابتدا از یک مکانیزم نویزگیری استفاده می کنیم، تا تاثیر برق شهری بر روی سیگنال های مغزی حذف گردد. سپس از یک روش کاهش ابعاد به نام Cross-sub-pattern correlation based PCA (SubXPCA) استفاده می کنیم. این روش عملا یک توسعه از روش های کاهش ابعاد SubPCA و PCA می باشد. روش SubXPCA دارای پیچیدگی محاسباتی کمتری به نسبت روش های PCA و SubPCA است. پس از کاهش ابعاد، ویژگی های کلیدی استخراج خواهند شد و نتایج این مرحله را به یک الگوریتم طبقه بند از نوع جنگل تصادفی می فرستیم. در نهایت اقدام به ارزیابی نتایج می کنیم که نشان می دهد در بهترین حالت دقت الگوریتم پیشنهادی ۸۸/۹۸ درصد است.