20310

۲۰۳۱۰

ارائه‌ي يك سيستم هوشمند طبقه بندي كننده سيگنال‌هاي الكتروانسفالوگرافي به منظور افزايش دقت آشكارسازي وقوع حملات تشنجي ناشي از صرع

كارشناسي ارشد

هوش مصنوعي

۱۳۹۴-۱۳۹۷

۱۳۹۷/۸/۱۵

دكتر محمدرضا جاهد مطلق

كامپيوتر

الكتروانسفالوگرام(EEG) كه براي نمايش فعاليت الكتريكي مغز استفاده مي¬شود، ابزار كلينيكي مناسبي براي تشخيص بي¬نظمي¬هاي مربوط به صرع است. آشكارسازي اسپايك¬هاي صرعي نقش بسيار مهمي در تشخيص صرع ايفا مي¬كند. در اين پروژه ضمن بررسي اثر ويژگي‌هاي مختلف سيگنال بر دقت و عملكرد سيستم دسته¬بندي سيگنال¬هاي الكتروانسفالوگرافي، تلاش شد دقت مدل پيشنهادي را در مقايسه با ساير سيستم¬هاي مشابه بهبود بخشيم. براي دسته¬بندي داده¬ها از شبكه عصبي ARTMAPفازي جهت پياده¬سازي سيستم تشخيص حملات صرعي استفاده شده است. اين شبكه يك فرآيند يادگيري بر مبناي تطابق را بكار مي‌گيرد. در اين روش، يادگيري بر اساس شباهت ميان الگوي ورودي و وزن نرون‌هاي دسته است كه برتري آن نسبت به روش¬هاي يادگيري بر مبناي خطاي ميان خروجي شبكه و خروجي مطلوب كه در شبكه‌هاي عصبي معمول مورد استفاده قرار مي‌گيرند سهولت استخراج اطلاعات، عدم فراموشي و يادگيري سريع است. از آنجا كه توسعه و بهينه¬سازي شبكه ARTMAP فازي تحت تأثير ترتيب ارائه¬ي داده¬هاي آموزشي است، به همين منظور از ﺧﺼﻮﺻﻴﺖ و ﻗﺎﺑﻠﻴﺖ الگوريتم¬هاي ژﻧﺘﻴﻚ اﺳﺘﻔﺎده شد ﺗﺎ ﺑﺎ ﺗﻮﻟﻴﺪ نسلﻫاي ﺟﺪﻳﺪ بتوانيم ﺗﺮﺗﻴﺐ ارائه¬ي ﺑﻬﺘﺮي بيابيم و درﻧﻬﺎﻳﺖ ﺷﺒﻜﻪ ﻳﺎدﮔﻴﺮي ﺑﻬﺘﺮي داشته باشد. تبديلات موجك اطلاعاتي انعطاف‌پذيرتر از اطلاعات زمان فركانس از سيگنال را با استفاده از طول پنجره‌ي متفاوت به ما مي‌دهند. وقتي كه هر دو نوع نوسان در سيگنال موجود باشد، تبديل موجك به خوبي مي‌تواند هر دو را نشان دهد. به همين دليل از تبديل موجك براي استخراج ويژگي سيگنال EEG استفاده شده است. عملكرد سيستم‌ طبقه‌بندي‌كننده‌ي ارائه شده با استفاده از سه معيار دقت، حساسيت و قابليت تفكيك ارزيابي ‌شد كه به ترتيب 44/98٪ ، 66/97٪ و 83/98٪ است كه در مقايسه با ديگر سيستم‌هاي دسته¬بندي اسپايكهاي صرعي، سيستم پياده‌سازي شده در اين پروژه عملكرد مطلوب‌تري دارد.

1398/01/21

Provide an Intelligent Classification System for Electroencephalographic Signals to increase the accuracy of epileptic seizure episodes

4/10/2019 12:00:00 AM

The electroencephalogram (EEG), which is used to display the electrical activity of the brain, has been an appropriate clinical tool for diagnosis of neurological disorders related to epilepsy. Detection of epileptic spikes plays an important role in the diagnosis of epilepsy. In this project, design and implementation epileptic spikes detection system to present by used a hybrid approach of discrete wavelet transform (DWT) and Fuzzy ARTMAP (Fuzzy Adaptive Resonance Theory Map) neural network. Presentation order of training data is one of factors that affect performance of Fuzzy ARTMAP. In this study, the wavelet transform has used for EEG feature extraction and the ability of the features have been evaluated for classification of the existing events in EEG signal. Classification has been done with Fuzzy ARTMAP neural network.The Fuzzy ARTMAP neural network was applied because of its fast learning, no catastrophic forgetting, stability, and strong yields in classification problems. This study presents a genetic algorithm to find a better presentation order of training data. The performance of classifying system is evaluated by three criteria of accuracy , sensitivity, and specificity that are 98.44, 97.66and 98.83, respectively, which confirm the effectiveness of the proposed solution