33257

تشخيص صرع و تشنج در سيگنال‌هاي نوارمغزي با استفاده از تبديل موجك

كارشناسي ارشد

رياضي- رياضي كاربردي ـ آناليز عددي

1401

1403/12/20

جليل رشيدي نيا

-

دانشكده رياضي

تحليل سيگنال‌هاي نوار مغزي (EEG) به عنوان ابزاري براي تشخيص صرع و پيش‌بيني حملات تشنجي، از اهميت ويژه‌اي برخوردار است. اين تحقيق به بررسي استفاده از تبديل موجك براي استخراج ويژگي‌ها از سيگنال‌هاي EEG و بهبود دقت سيستم‌هاي تشخيص و پيش‌بيني حملات صرعي مي‌پردازد. در اين مطالعه، سيگنال‌هاي EEG از بيماران مبتلا به صرع جمع‌آوري شده و سپس با استفاده از تبديل موجك براي تجزيه سيگنال‌ها به مقياس‌هاي مختلف، ويژگي‌هاي مهم استخراج شد. اين ويژگي‌ها شامل انرژي، فركانس و نوسانات مختلف سيگنال مي‌باشند كه به طور مستقيم با وقوع حملات تشنجي مرتبط هستند. براي تحليل داده‌ها و تشخيص الگوها از الگوريتم‌هاي يادگيري ماشين مانند ماشين بردار پشتيبان (SVM) و شبكه‌هاي عصبي استفاده شد. نتايج نشان داد كه تبديل موجك به‌طور مؤثري توانسته است ويژگي‌هاي پيچيده و غيرخطي سيگنال EEG را شناسايي كند و به دقت بالايي در تشخيص حملات تشنجي منجر شود. همچنين، الگوريتم‌هاي يادگيري ماشين پس از آموزش با ويژگي‌هاي استخراج‌شده، دقت بسيار بالايي در تشخيص حملات صرعي از خود نشان دادند. اين يافته‌ها نشان مي‌دهد كه تركيب تحليل موجك با يادگيري ماشين مي‌تواند ابزاري مؤثر براي تشخيص سريع‌تر و دقيق‌تر حملات تشنجي فراهم آورد و در نتيجه، به بهبود كيفيت زندگي بيماران مبتلا به صرع كمك كند.

1404/01/30

seizure detection with EEG signal using wavelet transform

1/1/1900 12:00:00 AM

Electroencephalogram (EEG) signal analysis plays a crucial role in epilepsy diagnosis and seizure prediction. This study investigates the use of wavelet transform for feature extraction from EEG signals to enhance the accuracy of epilepsy detection and seizure prediction systems. EEG signals were collected from epileptic patients and analyzed using wavelet transform to decompose the signals into multiple scales, extracting key features such as energy, frequency, and oscillatory patterns, which are directly related to seizure occurrences. Machine learning algorithms, including Support Vector Machine (SVM) and neural networks, were employed to analyze the data and identify patterns. The results demonstrated that wavelet transform effectively captured the complex and nonlinear characteristics of EEG signals, leading to high accuracy in seizure detection. Furthermore, after training with the extracted features, machine learning algorithms exhibited excellent performance in detecting epileptic seizures. These findings suggest that combining wavelet analysis with machine learning provides an effective tool for faster and more accurate seizure detection, ultimately improving the quality of life for epilepsy patients.

تحليل سيگنال‌هاي EEG , تبديل موجك , تشخيص صرع , نوار مغزي

EEG signal analysis , wavelet transform , Epilepsy Detection , Electroencephalography

Rughaie Sajedi

Dr.Rashidi