آرزو ذاکری - دانشکده فنی مهندسی، گروه مهندسی پزشکی، دانشگاه آزاد اسلامی علی آباد کتول
سینا سوخته سرایی - دانشکده فنی مهندسی، گروه مهندسی پزشکی، دانشگاه آزاد اسلامی علی آباد کتول

در این مقاله آنالیز سری زمانی سیگنال های EEG به منظور تشخیص و طبقه بندی خودکار حملات صرع مورد بررسی قرار گرفته است.استخراج پارامترهای Hjorth و همچنین استفاده از مدل خودبازگشتی می تواند ویژگیهای زمانی سیگنال های EEG را بیان کنند. پارامترهایHjorth عبارتند از پارامتر فعالیت، پارامتر تحرک و پارامتر پیچیدگی. در این مطالعه با پنجره گذاری روی سیگنال در پنجرههای به طول 1365سمبل (7/9 ثانیه ای)، ویژگی های فعالیت، تحرک و پیچیدگی و همچنین ضرایب مدل خودبازگشتی با مرتبه 11، از هر پنجره استخراج شده است.کارایی چهار طبقه بند به نام های شبکه عصبی کوانتیزه کننده برداری (LVQ)، شبکه عصبی احتمالاتی (PNN)، همچنین آنالیز تفکیککننده خطی (LDA) و K نزدیکترین همسایگی (KNN)، برای طبقه بندی الگوهای صرعی مقایسه شده است. نتایج این مطالعه نشان می دهدکه ویژگی های فوق قابلیت تفکیک حملات صرعی زمان کوتاه را از سیگنال های بدون تشنج دارا می باشند، همچنین طبقه بند KNN بهتر از سایرطبقه بندها با دقت 98/33% این عمل را انجام می دهد.

الکتروانسفالوگرافی، صرع، پارامترهای Hjorth ، مدل خودبازگشتی، طبقه بندی سیگنال EEG