تشخیص حمله‌های صرعی از روی ضرایب موجک با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی انبوه ذرات (pso)

سیگنال‌های الکتروانسفالوگرام (eeg)[i]، فعالیت‌های الکتریکی سلول‌های عصبی مغز را نشان می‌دهند. استخراج سیگنال eeg روشی غیرتهاجمی است که برای تشخیص فعالیت‌های غیرعادی مغز مفید است. تشنج یکی از انواع فعالیت‌های غیرعادی مغز و مهم‌ترین تظاهر بیماری صرع است. دشارژهای صرعی‌شکل (امواج سوزنی)[ii] مهم‌ترین مشخصه سیگنال‌های فرد درحال تشنج است. با آشکارسازی امواج سوزنی، امکان تشخیص بیماری صرع از سیگنال eeg وجود دارد. سیگنال‌های eeg از نوع سیگنال‌های غیرایستان هستند؛ پس تبدیل موجک[iii] که قدرت تفکیک مناسب زمانی و فرکانسی دارد، گزینه مناسبی برای استخراج ویژگی‌های سیگنال‌های eeg است. در این مقاله، پس از مرحله استخراج ویژگی، با استفاده از تبدیل موجک، شبکه‌های عصبی مصنوعی (ann)[iv] برای طبقه‌بندی سیگنال‌های سالم و سیگنال‌های دارای بیماری صرع استفاده می‌شوند. همچنین، الگوریتم بهینه‌سازی انبوه ذرات (pso)[v] روشی جدید برای انتخاب وزن‌ها و بایاس‌های شبکه است تا عملکرد شبکه بهبود یابد. نتایج پیاده‌سازی الگوریتم پیشنهادی، صحت 2/96% را داشته‌اند که نسبت به روش‌های موجود، طبقه‌بندی سیگنال‌های eeg عملکرد بهتری را نشان می‌دهد.

Detection of Epileptic Seizures using Wavelet Coefficients, Artificial Neural Networks (ANNs) and Particle Swarm Optimization (PSO)

Electroencephalogram signals (EEGs) show the electrical activity of brain neurons. EEG is a noninvasive method that can be used to detect abnormal brain activities. Seizure is one of these abnormal activities and is the most common manifestation of epilepsy. Spikes are the most important characteristic of the seizure prone EEG signals. By detecting spikes, it is possible to detect epileptic seizures from EEG signals. EEG signals are nonstationary signals, so the wavelet transform that has appropriate time and frequency resolution can be a good option for extracting features of EEG signals. In this paper, after the extraction process using wavelet transform, artificial neural networks (ANNs) are used to classify healthy and epileptic signals. Particle swarm optimization (PSO) is also used as a novel approach to select weights and biases of network to improve network performance. The results of the implementation of the proposed algorithm have a 96.2% accuracy, which shows acceptable performance compared to existing methods.