استفاده از ماشین‌های بردار پشتیبانی به‌عنوان یک الگوریتم هوشمند برای تشخیص تشنج از سیگنال‌های eeg

مقدمه: الکتروانسفالوگرافی (eeg) متداول ترین روش برای مطالعه عملکرد مغز است. این مقاله یک مدل رایانه‌ای برای تمایز بین افراد صرعی و سالم با استفاده از سیگنال‌های eeg با دقت نسبتاً بالا ارائه می‌دهد. مواد و روش‌ها: پایگاه داده eeg مورد استفاده در این مطالعه از داده‌های موجود در andrzejak گرفته شده است. این مجموعه داده متشکل از 5 مجموعه سیگنال‌های eeg (مشخص شده از a تاe ) است که هر یک شامل 100 بخش eeg می‌باشد. مجموعه‌های a و b شامل سیگنال‌های eeg هستند که از 5 داوطلب سالم گرفته شده‌اند. مجموعه‌های c و d به eeg های بیماران مبتلا به صرع کانونی (بدون ضبط ictal ) می‌باشند و مجموعه e از یک بیمار با ضبط ictal گرفته شده است. ماشین‌های بردار پشتیبان پس از استفاده از تجزیه و تحلیل مولفه‌های اصلی یا تجزیه و تحلیل تفکیکی خطی از ویژگی‌های سیگنال‌ها استفاده شدند. نرم‌افزار متلب برای پیاده‌سازی و آزمایش الگوریتم طبقه‌بندی پیشنهادی استفاده شده است. برای ارزیابی روش پیشنهادی، ماتریس سردرگمی، میزان موفقیت کلی، منحنیroc و auc هر کلاس استخراج شد. برای تایید نتایج از روش اعتبارسنجی متقابل k برابر استفاده شد. یافته‌ها: میزان موفقیت کلی به دست آمده در این مطالعه بالاتر از 82 درصد بود. الگوریتم‌های کاهش ابعاد می‌توانند دقت و سرعت آن را بهبود بخشند. نتیجه‌گیری: پیش بینی دقیق و زود هنگام وقوع تشنج بسیار مفید است. استفاده از مدل رایانه‌ای ارائه شده در این مطالعه می‌تواند این هدف را محقق سازد.

Using Support Vector Machines as an Intelligent Algorithm for Detecting Seizures from EEG Signals

Introduction: Electroencephalography (EEG) is the most commonly used method to study the function of the brain. This study represents a computerized model for distinguishing between epileptic and healthy subjects using EEG signals with relatively high accuracy. Materials and Methods: The EEG database used in this study was obtained from the data available in Andrzejak. This dataset consists of 5 EEG sets (designated as A to E), each containing 100 EEG sections. Collections A and B comprised EEG signals that have been taken from 5 healthy volunteers. The C and D sets referred to EEGs from patients with focal epilepsy (without ictal recordings) and the E set was derived from a patient with ictal recording. Support vector machines were used after applying principal components analysis or linear discriminant analysis over the features of the signals. MATLAB has been used to implement and test the proposed classification algorithm. To evaluate the proposed method, the confusion matrix, overall success rate, ROC, and the AUC of each class were extracted. Kfold crossvalidation technique was used to validate the results. Results: The overall success rate achieved in this study was above 82%. Dimension reduction algorithms can improve its accuracy and speed. Conclusion: It is helpful to be able to predict the occurrence of a seizure early and accurately. Using the computerized model represented in this study could accomplish this goal.