طبقه بندی سیگنال های EEG برای تشنج های صرعی از طریق شبکه های عصبی مصنوعی بر مبنای تبدیل ویولت و روابط فازی

صرع یکی از شایع ترین بیماری های نورولوژیکی است و از لحاظ آماری دارای رتبه چهارم پس از میگرن، سکته مغزی و آلزایمر را دارد تقریبا 50 میلیون نفر در سراسر جهان از آن رنج می برند و تقریبا دو مورد از هر سه نشانه جدید در کشورهای در حال توسعه تشخیص داده می شود. سیگنال های الکتروآنسفالوگرام ضبط فعالیت های الکتریکی مغز است که بینش و اطلاعات و درک مکانیسم های داخل مغز را فراهم می کند از آنجایی که تشنج های صرعی به طور ناگهانی رخ می دهد، ضروری است که یک مدل به طور خودکار تشخیص بیماری تشنج از ضبط EEG ایجاد شود در این تحقیق یک مدل برای تشخیص تشنج صرعی با اجرای تبدیل موجک گسسته بر روی سیگنال EEG ارائه شد. در این پژوهش از شبکه عصبی به دلیل سادگی و حجم محاسباتی پایین، مسئله دو کلاسه سیگنال های سالم و بیمار طبقه بندی شده و داده های فاز آموزش و آزمایش شبکه عصبی در این پژوهش به صورت K-Fold با K=20 از بردارهای ویژگی انتخاب شد. به این صورت که 5 درصد داده ها هر بار برای آموزش انتخاب و این اتفاق 20 بار تکرار می شود تا از کل مجموعه داده استفاده شود. مهمترین ویژگی این روش استفاده از یادگیری نیمه نظارتی است که در حوزه پزشکی که اغلب با تعداد اندک داده های برچسب دار مواجه هستیم بسیار کارا عمل می کند، همچنین استفاده از الگوریتم فازی برای انتخاب ویژگی های مناسب به صورت بهینه و کاهش بعد بردار ویژگی استخراج شده یکی دیگر از مواردی است که در این مقاله پیاده سازی شده است.