19177

۱۹۱۷۷

طراحي يك سيستم واسط مغز و رايانه براي تشخيص و طبقه بندي صرع بر اساس سيگنال هاي EEG

كارشناسي ارشد

الكترونيك سيستم ديجيتال

۱۳۹۴

۱۳۹۶/۱۱/۲۳

دكتر ستار ميرزا كوچكي

برق

با شيوع 1٪ جمعيت جهان، صرع يكي از شايع‌ترين اختلالات عصب‌شناختي است كه تنها به سكته مغزي منجر مي‌شود. بيماران مبتلابه صرع دچار تشنج‌هاي مكرر مي‌شوند كه به دليل شخصيت ناتوان و وقوع غيرقابل‌پيش‌بيني اين بيماري بر كيفيت زندگي آن‌ها تأثير مي‌گذارد. براي دهه‌ها، گزينه‌هاي درمان بيماري صرع به‌طور عمده دارويي بوده و به ميزان كم جراحي انجام‌شده است. بنابراين يكي از بحث‌هاي مهمي كه اخيراً موردتوجه محققان قرارگرفته تشخيص و طبقه‌بندي صرع است. هرچند در مقايسه با ساير وسايل كنترلي، دستگاه‌هاي مبتني بر ارتباط مغز و رايانه (BCI) قابليت استفاده پيدا نكرده¬اند، براي كساني كه ازلحاظ حركتي ناتوان هستند، دستگاه‌هاي مبتني بر ارتباط مغز و رايانه مهم‌ترين وسيله¬ي برقراري ارتباط با جهان خارج هست. از اين دستگاه‌ها براي دستور دادن به وسايل كنترلي استفاده مي‌شود. اين وسايل مي¬توانند توانايي¬هاي يك شخص را گسترش دهند. در اين پايان‌نامه يك سيستم BCI براي تشخيص صرع پيشنهادشده است كه در مرحله‌ي طبقه‌بندي از شبكه‌هاي عصبي مصنوعي استفاده مي‌كند. داشتن يك مجموعه ويژگي خوب، به بهبود دقت سيستم BCI كمك مي¬كند. يكي از مهم‌ترين مراحل در سيستم BCI، استخراج ويژگي است؛ بنابراين، محققان بيشتر در اين بخش متمركزشده‌اند. يكي از پارامترهاي مهم در سيستم مغز- رايانه، سرعت است؛ بنابراين، هميشه يك طراحي سيستم با سرعت‌بالا است كه به‌طور هم‌زمان داراي عملكرد بالا است، مطلوب بوده است. در اين پايان‌نامه، الگوريتم-هاي تكاملي (EAs) پس از اعمال روش¬هاي استخراج ويژگي¬هاي معروف اعمال مي¬شود و نتايج نشان داده است زماني كه اين الگوريتم¬هاي استخراج ويژگي به‌تنهايي مورداستفاده قرار مي¬گيرند، دقت بالايي حاصل نمي¬شود؛ اما هنگامي‌كه تركيبي از اين روش¬هاي استخراج ويژگي معروف و الگوريتم¬هاي تكاملي مورداستفاده قرار مي¬گيرد، دقت بيشتري به دست مي¬آيد كه اين واقعيت براي الگوريتم الگوهاي فضايي مشترك (CSP) بسيار مناسب است. لازم به ذكر است كه در مرحله طبقه‌بندي، طبقه‌بندي شبكه¬¬هاي عصبي نيز استفاده مي‌شود. بنابراين علاوه به را اين‌كه دقت سيستم بهبود پيدا كرد با توجه به اينكه تعداد ويژگي‌هاي انتخابي از 178 ويژگي در بازه‌ي 70 تا 80 مي‌باشد، به مقدار قابل‌توجهي پيچيدگي مسئله كاهش پيداكرده است. در اين پايان‌نامه يك سيستم BCI براي تشخيص و طبقه‌بندي صرع پيشنهادشده است. در سيستم BCI پيشنهادي با اضافه كردن يك بلوك انتخاب ويژگي كه به‌نوعي فرآيند كاهش ويژگي را انجام مي‌دهد علاوه به پايين آوردن پيچيدگي محاسباتي، باعث مي‌شود كه دقت هم به مقدار قابل‌توجهي بهبود يابد. واژه‌هاي كليدي: BCI ، EEG ، CSP ، صرع، طبقه¬بندي، شبكه‌هاي عصبي، الگوريتم‌هاي تكاملي.

1397/04/19

Design of a brain and computer system for the diagnosis and classification of epilepsy based on EEG signals

7/3/2018 12:00:00 AM

With the prevalence of 1% of the world population, epilepsy is one of the most common neurological disorders that can only lead to stroke. Patients with epilepsy suffer from frequent seizures that affect their quality of life due to the inability of the person and the unpredictability of the disease. For decades, treatment options for epilepsy have been largely drug-based and have undergone a low amount of surgery. Therefore, one of the important discussions that have recently been taken into consideration by the researchers is the diagnosis and classification of epilepsy. Although BCI-enabled devices are not usable compared to other controls, for brain-computer-based devices, the most important means of communicating with the outside world is for those who are unable to move. . These devices are used to command controls. These tools can extend the capabilities of a person. In this thesis, an BCI system is proposed for the diagnosis of epilepsy, which is used in the classification process for artificial neural networks. Having a good feature set helps to improve the accuracy of the BCI system. One of the most important steps in the BCI system is the extraction of the feature; therefore, researchers are more focused on this area. One of the important parameters in the brain-computer system is speed; therefore, it is always a high-speed system design that has a high performance at the same time. In this thesis, evolutionary algorithms (EAs) are applied after applying the known features extraction methods and the results show that when these feature extraction algorithms are used alone, high accuracy is not achieved. But when combined with these well-known extraction techniques and evolutionary algorithms, it becomes more precise to find that this is very appropriate for a common spatial pattern (CSP) algorithm. It should be noted that in the classification stage, the classification of neural networks is also used. Therefore, in addition to the fact that the accuracy of the system has improved, due to the fact that the number of selected features of 178 properties ranges from 70 to 80, the significant amount of complexity of the problem has been reduced. In this thesis, a BCI system is proposed for the diagnosis and classification of epilepsy. In the proposed BCI system, adding a feature selection block that performs a feature-specific process, in addition to lowering computational complexity, makes the accuracy even considerably improved. Keywords: BCI, EEG, CSP, Epilepsy, Classification, Neural Networks, Evolutionary Algorithms.