توضیحات
براساس اعلام سازمان جهانی بهداشت (WHO) تقریباً 45 تا 50 میلیون نفر در جهان مبتلا به صرع هستند . موج نگاری مغزی (EEG) فعالیت عصبی در مغز را ثبت می کند و از آن برای شناسایی صرع استفاده می شود. بازرسی بصری از سیگنالهای EEG یک فرایند زمان بر است و ممکن است منجر به خطای انسانی شود . استخراج و طبقه بندی ویژگی ها دو مرحله اصلی است که برای ساخت یک چارچوب خودکار تشخیص صرع مورد نیاز است. استخراج ویژگی با حفظ ویژگی های آموزنده ، ابعاد سیگنال ورودی را کاهش می دهد و طبقه بند یک برچسب کلاس مناسب را به بردار ویژگی استخراج شده اختصاص می دهد. هدف ما ارائه روشهای موثر استخراج برای طبقه بندی سیگنال EEG صرع است.
در این مطالعه ، دو روش موثر استخراج ویژگی (الگوی توصیفی همسایه محلی [LNDP] و الگوی گرادیان محلی یک بعدی [1D-LGP]) برای طبقه بندی سیگنال های EEG صرع معرفی شده است. طبقه بندی بین سیگنالهایی که در هنگام تشنج و سیگنالهایی که در حالت عادی گرفته شده است با استفاده از طبقه بند های یادگیری ماشین مختلف انجام می شود. مجموعه داده صرع EEG ارائه شده توسط دانشگاه بن در این تحقیق استفاده می شود. عملکرد طبقه بندی با استفاده از10 fold -crossvalidation ارزیابی میشود. طبقه بندی های استفاده شده نزدیکترین همسایه (NN) ، ماشین بردار پشتیبان (SVM) ، درخت تصمیم (DT) و شبکه عصبی مصنوعی (ANN) است. آزمایش ها 50 بار تکرار شدهاند.
تکنیک های استخراج ویژگی LNDP و 1D-LGP با طبقه بندی ANN به ترتیب میانگین دقت 99.82٪ و 99.80٪ را برای طبقه بندی بین سیگنالهای EEG نرمال و صرع بدست آوردند. هشت مورد تجربی مختلف مورد آزمایش قرار گرفته است.
این مطالعه نشان می دهد که LNDP و 1D-LGP می توانند تکنیک های استخراج ویژگی موثر برای طبقه بندی سیگنال های EEG صرع باشند.
۱)معرفی
صرع یک اختلال سیستم عصبی مرکزی است و گزارش شده است که تقریباً 45-50 میلیون نفر از این اختلال رنج می برند . EEG با قرار دادن الکترودها روی پوست سر ، فعالیت عصبی درون مغز را گرفته و به تشخیص حملات صرع کمک می کند. تشخیص صرع را می توان به عنوان یک مساله طبقه بندی در نظر گرفت که در آن موضوع طبقه بندی یک سیگنال ورودی به عنوان یک سیگنال تشنج صرعی یا به عنوان یک سیگنال غیر تشنج است. سیگنال های EEG معمولاً برای مدت طولانی برای انجام تجزیه و تحلیل ثبت می شوند. تشخیص حملات صرع در این سیگنالهای EEG طولانی مدت نیاز به تخصص دارد. در غیاب متخصصان ، به ویژه در موارد اضطراری ، تشخیص تشنج به یک کار چالش برانگیز تبدیل می شود. بنابراین ، فراهم آوردن چارچوبی برای تشخیص خودکار تشنج صرع از اهمیت بالایی برخوردار است. تعدادی از روشها برای طبقه بندی سیگنالهای EEG صرع در مقالات ارائه شده است. روش ها را می توان به حوزه های پردازشی زیر دسته بندی کرد:
تجزیه و تحلیل در حوزهی زمان: برخی از تکنیک ها در زمینه طبقه بندی سیگنال EEG صرع به این دسته تعلق دارند. تکنیک هایی مانند پیش بینی خطی ، پیش بینی خطی کسری برای تشخیص تشنج صرع پیشنهاد شده است.
تجزیه و تحلیل دامنه فرکانس: با این فرض که سیگنالهای EEG سیگنالهای ایستان هستند ، در پژوهشها یک چارچوب ترکیبی مبتنی بر تجزیه و تحلیل دامنه فرکانس با تبدیل فوریه و درخت تصمیم ارائه شده است. در مدل ترکیبی ، از تبدیل فوریه برای استخراج ویژگی و از درخت تصمیم برای طبقه بندی استفاده میشود.
تجزیه و تحلیل دامنه فرکانس زمان: به خوبی میدانیم که سیگنالهای EEG سیگنالهای غیر ایستان هستند. با در نظر گرفتن خاصیت غیر ثابت سیگنالهای EEG ، استخراج ویژگی بر اساس تجزیه و تحلیل فرکانس زمان با تبدیل Hilbert-Huang)) برای طبقه بندی استفاده شده میشود.
تکنیک های استخراج ویژگی بر اساس تغییر الگوی محلی از نظر محاسباتی ساده هستند و به طور گسترده ای در کاربردهای مختلف تشخیص الگو استفاده می شوند. یکی از این روش ها الگوی دودویی محلی (LBP) است. LBP در زمینه تشخیص چهره ، پردازش سیگنال، پردازش گفتار و طبقه بندی سیگنال EEG صرع محبوبیت یافته است. با این حال ، یک محدودیت LBP حساسیت آن به تنوع محلی است.
در این مطالعه ، دو روش موثر استخراج ویژگی به نام LNDP و 1D-LGP برای طبقه بندی سیگنالهای EEG صرع پیشنهاد شده است. هر دو روش از نظر محاسباتی ساده و نسبت به تغییرات محلی و کلی حساس نیستند. عدم حساسیت LNDP و 1D-LGP بر محدودیت 1D-LBP غلبه می کند. این تکنیک های پیشنهادی در دو مرحله کار می کنند. در مرحله اول ، الگوهای محلی تغییر شکل داده و تشکیل هیستوگرام انجام می شود. هیستوگرام بردار ویژگی سیگنال EEG متناظر را نشان می دهد. طبقه بندی هیستوگرام در مرحله دوم تکمیل می شود. هیستوگرام حاوی اطلاعات ساختاری سیگنال EEG است. طبقه بندی با چهار طبقه بندی کننده مختلف یادگیری ماشین انجام شده است. عملکرد طبقه بندی با 10 برابر اعتبار سنجی متقاطع با در نظر گرفتن حساسیت ، ویژگی و دقت ارزیابی می شود.
۲) روشها و دادهها
۲.۱)دیتاست :
در این مطالعه ، از مجموعه دادههایی که به طور گسترده پذیرفته شده است و توسط گروه صرع شناسی در دانشگاه بن ، آلمان ارائه شده است ، استفاده میشود. این مجموعه داده معیار از پنج گروه (A ، B ، C ، D و E) تشکیل شده است. در هر گروه 100 سیگنال EEG تک کانال وجود دارد. هر سیگنال EEG برای 23.6 ثانیه حاوی 4097 نقطه نمونه ثبت شد. این سیگنال های EEG از طریق یک مبدل A/D ۱۲ بیتی به حوزه دیجیتال برده شده و فرکانس نمونه برداری بر روی 173.6 هرتز تنظیم شده است. گروه های A و B به ترتیب حاوی EEG از پنج داوطلب سالم هستند در حالی که چشم آنها به ترتیب باز و بسته بودهاند. سیگنالهای موجود در گروه های C و D به ترتیب قبل از حمله صرع ثبت شده است. سیگنال های EEG در گروه E در طی فعالیت تشنج از بیماران ثبت شده است. در این تحقیق از تمام 5 گروه استفاده شده است. سیگنال EEG هر کلاس در شکل 1 نشان داده شده است.
- فایلهای پروژه آموزشی به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.