25308

روشي مقرون به صرفه جهت طبقه بندي تشنج صرعي با استفاده از كمترين تعداد ويژگي

كارشناسي ارشد

مهندسي الكترونيك گرايش ديجيتال

1396

شهريور 1400

دكتر احمد آيت الهي

مهندسي برق

هدف از اين پايان نامه، طبقه بندي سيگنال هاي استخراج شده از مغز به منظور تشخيص بيماري صرع و ي ا تشنج صرع ي ب ا حداقل تعداد ويژگي مورد استفاده و همچنين دق ت و با ر محاسبات ي قابل قبو ل است. د ر واق ع اين پايان نامه به دنبال دست يابي به دقت ي بهين ه د ر طبقه بندي سيگنال هاي مغ زي با در نظر گير ي سرع ت پرداز ش داده ها از طريق تشخيص موثر ترين ويژگي هاي استخراج شده و انتخاب حداقل ويژگي ها براي مدل نهايي است. بيماري صرع ، بيماري مزمن و چهارمين بيماري شايع در جهان است كه در دسته بيمار يهاي مغز و اعصاب قرار م يگيرد. بررسي پيمايشي عميق در اين زمينه نشان م يدهد كه در ايران به ازاي هر هزار نفر، 17 نفر مبتلا به صرع هستند و اين موضوع بيانگر آن است كه تعداد مبتلايان در ايران 2 تا 3 برابر آمار جهاني است . تشنج مهم ترين علام ت بيماري صرع است كه مي توان با انجام الكتروآنسفالوگرافي ،آن را به صورت دقيق مور د تحليل قرار داد. از اين رو شناسايي خودكار صرع به يك موضوع مهم بدل گشت ه كه از اهميت بالايي براي درمان بيماران صرع برخوردار است. از آن جا كه سيگنال هاي حياتي غير ايستا هستند پس براي برر سي محتوا ي فركانسي سيگنال EEG و تغييرات زماني آن ، از روش هاي حوز ه زمان - فركانس استفاده م ي شود. پس با استفاد ه از تب ديل فوري ه زمان كوتاه ) STFT ( و تب ديل موجك ) WPD ( ، جهت تعيين مشخصات منحصر به فرد شكل موج EEG ، اقدام به استخراج ويژگي مي نماييم . در نهايت بردار ويژگ ي استخراج شده پس ا ز استاندارد سازي ) Z-Score ( ، جهت طبقه بن د ي حملات صرع ي به الگوريتم هاي مختلف درخت تصمي م داده م ي شود. اين مرحله توسط نرم افزا ر داده كاوي WEKA صورت خواهد گرفت. در ادامه با استفاده ا ز روش هاي مختلف انتخاب ويژگي، اقدام به كاهش تعداد ويژگي نموده و دقت طبقه بند را با استفاده از آن ويژگي ها مورد بررسي قرار مي دهيم . نتايج تجربي تأييد مي كند كه طبقه بندي RF با استفاده از روش انتخاب ويژگي پيشنهادي، با وجود كمترين طول بردار ويژگي، بيشترين دقت را از خود نشان مي دهد . سپس روشي پيشنهاد مي شود كه با استفاده از اشتراك گيري منجر به كاهش بردا ر ويژگي ها از 567 ويژگي اوليه به 6 ويژگي مي گردد و دارا ي دقت 4 / 97 % خواهد بود . از طرفي بر طبق نتايج پياده سازي، كاهش بردار ويژگي ها به تنها 6 ويژگي، باعث كاهش هزينه محاسباتي و فضاي ذخيره سازي مي گردد. در آخر طبق ه بن دي بدون وجود نوي ز و همچنين با اعمال نويز در داده ها با تعداد ويژ گي هاي مختلف مورد مطالعه قرار خواهد گرفت و تعداد بهينه ويژگي ها به منظور طبقه بندي با دقت بالا و تشخيص نوع سيگنا ل EEG مورد برر س ي قرار مي گيرد.

1400/07/17

A Cost-effective Method for Epileptic Seizure Classification using the least number of features

9/22/2022 12:00:00 AM

The purpose of this thesis is to classify the signals extracted from the brain in order to diagnose epilepsy or epileptic seizures with the minimum number of features used as well as acceptable accuracy and computational load. In fact, this thesis seeks to achieve optimal accuracy in the classification of brain signals by considering the speed of data processing by identifying the most effective features extracted and selecting the minimum features for the final model. Epilepsy is a chronic disease and the fourth most common disease in the world, which falls into the category of neurological diseases. An in-depth survey in this field shows that in Iran, 17 people per thousand people have epilepsy, and this indicates that the number of patients in Iran is 2 to 3 times the global statistics. Seizures are the most important symptom of epilepsy that can be accurately analyzed by electroencephalography. Therefore, automatic detection of epilepsy has become an important issue that is of great importance for the treatment of epilepsy patients. Since vital signals are non-static, time-frequency domain methods are used to examine the frequency content of the EEG signal and its temporal variations. So, using Fourier transform short time (STFT) and wavelet transform (WPD), to determine the unique characteristics of the EEG waveform, we extract the feature. Finally, the feature vector extracted after standardization (Z-Score) is decided to classify epileptic seizures to different tree algorithms. This step will be done by WEKA data mining software. In the following, using different feature selection methods, we reduce the number of features and examine the accuracy of the classification using those features. Experimental results confirm that the RF classification using the proposed feature selection method shows the highest accuracy despite the shortest feature length. Then a method is proposed that uses sharing to reduce the feature vector from 567 primary features to 6 features and will have an accuracy of 97.4%. On the other hand, according to the implementation results, reducing the feature vector to only 6 properties reduces the computational cost and storage space. Finally, the classification without noise and also with the application of noise in the data with a number of different features will be studied and the optimal number of features will be examined in order to classify with high accuracy and identify the type of EEG signal.

Epileptic seizures, EEG, Classification, minimum number of features, Time-Frequency Domain.