پروژه آموزشی مقاله تکنیک استخراج ویژگی تبدیل‌ محلی الگو برای طبقه بندی سیگنال EEG صرع با متلب

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. پروژه آماده متلب

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.   انجام پروژه متلب

توضیحات شبیه سازی

• شبیه‌سازی و گزارش با توجه به مقاله مرجع که در فایل ارسالی است انجام شده است.
• دیتاست دارای ۵ فولدر سیگنال است که هر کدام ۱۰۰ سیگنال EEG دارند.
• ۸ حالت مختلف، شبیه‌سازی شده است. که هر یک در فولدر مخصوص به خود است.
• اسم های فولدرها case A-E, case A-D و…. می‌باشد.
• درون هر یک از آنها یک فایل    Feature_Extraction.m است که با ران کردن آن نتایج بدست می‌آیند.
• ۴ طبقه‌بند مورد استفاده قرار گرفته است.
• نتایج بدست آمده از نتایج مقاله نیز بهتر می‌باشند.