867

Recognition Epilepsy using Wavelet Transform and Nonlinear Features with Neural Network from EEG Signals

كارشناسي ارشد

كامپيوتر

تهران شمال

1397

97/10/29

18

88ص.

آيت،سعيد

Entropy , Feature extraction , classifiers

صرع يك اختلال مزمن مغزي همراه با تشنج و حمله است كه مي‌تواند هر شخصي در هر سني به آن دچار شود. اين بيماري با تشنج‌هاي مكرر در يك بازه زماني مشخص مي‌شود.بيماري صرع شايع‌ترين اختلال عصبي است كه پنجاه ميليون نفر را در سراسر دنيا تحت تأثير خود قرار داده است كه 85% اين آمار مربوط به كشورهاي درحال‌توسعه است. حملات صرعي به دليل بدعمل كردن سيستم الكتروفيزيولوژيكي مغز رخ مي‌دهند كه منجر به تخليه الكتريكي بسيار زياد و ناگهاني در يك گروه از سلول‌هاي مغزي (نر ون‌ها) واقع در قشر مغز مي‌شوند. درگيري قشر مغز منجر به نابهنجاري‌هاي وظايف حركتي و تشنج عضلات و مفاصل مي‌شود. در تحليل عددي و عملكردي، تبديل ويولت گسسته (DWT) تبديل ويولتي است كه در آن ويولت‌ها به‌صورت گسسته نمونه‌برداري شده‌اند. مزيت تبديل ويولت بر تبديل فوريه، رزولوشن زماني آن است، در تبديل ويولت، اطلاعات فركانس و مكان (مكان در زمان) اتخاذ مي‌شود. در اين مطالعه قصد داريم با استفاده از تبديل ويولت گسسته و ويژگي‌هاي غيرخطي آنتروپي، آناليز نوسانات دي‌ترند شده و بعد فركتال هيگوچي و نيز با استفاده از شبكه‌هاي عصبي مصنوعي مانند پرسپترون چندلايه (MLP)، بيماري صرع را از روي سيگنال‌هاي EEG افراد تشخيص بدهيم. بيشترين نتيجه حاصل از اين تحقيق برابر با 9/96 درصد به صورت ميانگين با استفاده از ويژگي ضرايب ويولت مي‌باشد؛ كه نشان مي‌دهد ويژگي ويولت ويژگي قدرتمندي براي تفكيك افراد سالم و بيمار صرعي است.

56297