17031

بررسي روش‌هاي پيش‌بيني تشنج در بيماران صرعي با استفاده از مدل‌هاي يادگيري ماشين

1402

دكتر محمدرضا جاهد مطلق

صرع يكي از شايع‌ترين اختلالات نورولوژيكي است كه با حملات ناگهاني و غيرقابل پيش‌بيني همراه است. غيرمنتظره بودن اين حملات، پيامدهاي رواني، اجتماعي و باليني گسترده‌اي را براي بيماران به‌ دنبال دارد. در سال‌هاي اخير، دو رويكرد اصلي براي پيش‌بيني تشنج در بيماران صرعي با استفاده از داده الكتروانسفالوگرام در ادبيات علمي مطرح شده‌اند: رويكرد مبتني بر يادگيري ماشين و رويكرد مبتني بر شبكه‌هاي يادگيري عميق با قابليت استخراج خودكار ويژگي. پژوهش حاضر يك مطالعه نظام‌مند و مرحله ‌به‌ مرحله بر جريان پيش‌پردازش داده، استخراج ويژگي و طبقه‌بندي در چارچوب يادگيري ماشين ارائه مي‌دهد و در عين حال، عملكرد آن را به‌صورت تطبيقي با يافته‌هاي روش‌ مبتني بر يادگيري عميق مقايسه مي‌كند. نتايج نشان مي‌دهد كه هرچند مدل‌هاي عميق عموماً دقت بيشتري ارائه مي‌دهند، چارچوب‌هاي يادگيري ماشين با پيش‌پردازش مناسب و انتخاب هدفمند ويژگي همچنان كارايي باليني قابل قبولي دارند و از مزيت شفافيت در تصميم‌گيري نيز برخوردارند. با اين حال، به دليل محدوديت‌هاي هر يك از اين دو رويكرد، بهره‌گيري از روش‌هاي هايبريد كه تركيبي از مزاياي يادگيري ماشين و يادگيري عميق را فراهم مي‌كنند، مي‌تواند مسيري كارآمد براي دستيابي به دقت بالا و تفسيرپذيري باشد و افق‌هاي جديدي را براي توسعه سامانه‌هاي پيش‌بيني تشنج بگشايد.

5/19/2025 12:00:00 AM

90269

1405/02/22

Investigating Seizure Prediction Methods in Epileptic Patients Using Machine Learning Models

پيش‌بيني تشنج , يادگيري ماشين , استخراج ويژگي , تفسيرپذيري , EEG

Seizure prediction , Machine learning , Feature extraction , Interpretability , EEG