چکیده مقاله
صرع یکی از شایعترین اختلالات عصبی است که با وقوع غیرطبیعی امواج مغزی مشخص می شود و نیازمند روش های دقیق و سریع برای تشخیص است در این مطالعه، یک روش کارآمد برای تشخیص صرع از داده های EEG با استفاده از ترکیب تبدیل موجک گسسته DWT ، تحلیل مولفه های اصلی PCA و الگوریتم های طبقه بندی ارائه شده است ضرایب جزئیات در سطوح سوم تا پنجم D۳ D۵ و ضرایب تقریب در سطح پنجم A۵ از داده های EEG استخراج شده و سه ویژگی آماری شامل میانگین مقدار مطلق MAV ، توان متوسط AVP و انحراف معیار SD از این ضرایب محاسبه شده اند برای کاهش ابعاد و حذف ویژگی های نامربوط، از روش PCA استفاده شده است که باعث بهبود عملکرد طبقه بندها و کاهش پیچیدگی محاسباتی شده است عملکرد دو طبقه بند Naïve Bayes NB و k Nearest Neighbor k NN بر روی ترکیب های مختلفی از مجموعه داده ها ارزیابی شده است نتایج نشان می دهند که طبقه بند k NN با دقت ۷۸ ۳۹% برای ترکیب کامل داده ها ABCD E عملکرد بهتری نسبت به NB با دقت ۷۴ ۰۸% دارد این مطالعه نشان می دهد که ترکیب DWT، PCA و الگوریتم های طبقه بندی می تواند به عنوان روش ی کارآمد و دقیق برای تشخیص صرع از داده های EEG به کار گرفته شود و شناسایی دقیق تر ناهنجاری های عصبی را تسهیل کند
کلیدواژهها
نویسندگان
فاطمه معنوی
کارشناسی ارشد مهندسی پزشکی، دانشگاه بین المللی امام رضا ع
ابراهیم دانشی فر
دکتری مهندسی برق، گروه مهندسی پزشکی، دانشگاه بین المللی امام رضا ع
شیوه ارجاع
معنوی، فاطمه و دانشی فر، ابراهیم،1403،تشخیص تشنج صرع مبتنی بر تبدیل موجک گسسته (DWT) از سیگنال های EEG با کاهش بعد مبتنی بر PCA و طبقهبندیکننده های NB و KNN،پنجمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات،مشهد
ارائهشده در
مجموعه مقالات پنجمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات17 اسفند 1403 · مشهد