بهبود دسته بندی سیگنال های الکترو انسفالوگرافی با استفاده از شبکه های باور عمیق و ماشین بردار پشتیبان جهت تشخیص حملات در بیماران صرع

چکیده مقاله

صرع یک مشکل عصبی است که در بیماران صرعی با تخلیه الکتریکی غیر نرمال از طرف مغز انجام م یشو د بس یاری از مطالعات نشان داده اند که سیگنال الکتروانسفالوگرافی مهم ترین سیگنالی است که برای دسترسی به فعالیت های مغز و تش خیص مشکلات متفاوت مغز مورداستفاده قرار م یگیرد در این مطالعه، فیلتر باند گذر Butterworth بر ای پ یش پرداز ش تجزی ه س یگنا له ای الکتروانسفالوگرافی در 5 باند فرکانسی پیاده سازی و مورداستفاده قرارگرفته است به علاوه ویژگ یهای متفاوتی مثل انرژی ، انحراف معیار و آنتروپی نیز از زیر باندهای دلتا، تتا، آلفا، بت ا و گاما استخراج و محاسبه شدند در کاره ای انجا م شده ویژگ یه ای استخراج شده به دسته بند ماشین بردارپشتیبان ب همنظور تشخیص حملات صرع یا عدم حمله، داد هشده که منجر ب هدقت 95 درصدی شده است در این مقاله نشان م یدهیم که با کمک شبکه های باور عمی ق در جهت استخراج ویژگ یه ا و ماش ین بردار پشتیبان برای دست هبندی ، م یتوان دقت بالاتری در دسته بندی سیگنا لهای حمله صرعی و معمول صرعی به دست آورد

کلیدواژه‌ها

نویسندگان

سید محمدرضا موسوی نصر

دانشجوی کارشناسی ارشد دانشگاه صنعتی مالک اشتر

محمد صادق موید صفاری

دانشجوی کارشناسی ارشد دانشگاه صنعتی مالک اشتر

موسوی نصر، سید محمدرضا و موید صفاری، محمد صادق،1394،بهبود دسته بندی سیگنال های الکترو انسفالوگرافی با استفاده از شبکه های باور عمیق و ماشین بردار پشتیبان جهت تشخیص حملات در بیماران صرع،کنفرانس بین المللی یافته های نوین پژوهشی درمهندسی برق و علوم کامپیوتر،تهران

ارائه‌شده در

مجموعه مقالات سومین کنفرانس ملی محاسبات نرم علوم مهندسی در صنعت و جامعه1 اسفند 1402 · ایرانشهر