ندا ازوجی - دانشکده برق و کامپیوتر، دانشگاه شیراز، شیراز
اشکان سامی - استادیار، دانشکده برق و کامپیوتر، دانشگاه شیراز، شیراز

متداول ترین روش تشخیص تشنج و صرع، پارسی و تحلیل سیگنال های الکتروانسفالوگرام (EEG) است. در سال های اخیر، سیستم های خودکار پیش بینی تشنج برای بهبود کیفیت زندگی بیماران مبتلا به صرع وعده داده شدند. هدف این پژوهش افزایش دقت و بهبود کارایی الگوریتم تشخیص تشنج صرع از سیگنال های EEG است. در ابتدا برای حذف داده های غیر ضروری و نویز سیگنال ها پیش پردازش شدند.سپس ویژگی های مناسبی در حوزه زمانی و حوزه فرکانس از این سیگنال ها استخراج شد و در نهایت کلاس بندی تلفیقی درخت تصمیم گیری حساس و هزینه برای تشخیص حالت قبل از تشنج و فواصل تشنج به کار برده شد. برای ارزیابی، الگوریتم پیشنهادی را بر روی مجموعه داده ای عظیم با 100 گیگابایت داده سگ و بیماران مبتلا به صرع اجرا کردیم. نتایج حاصله نشان می دهد دقت و کارایی روش پیشنهادی در مقایسه با تکنیک هایی که در سال های اخیر ارائه شده اند، بهبود قابل توجهی یافته اند.

سیستم خودکار تشخیص تشنج، صرع، الکتروانسفالوگرام (EEG)، کلاسه بندی تلفیقی درخت تصمیم گیری