تحلیل سیگنال های الکتروانسفالوگرافی برای تشخیص صرع در بیماران تشنجی

امروزه با توسعه‌ی فناوری در حوزه‌ی پزشکی، الکتروانسفالوگرافی دامنه‌ی وسیعی از شرایط تشخیصی را در اختیار متخصصان قرار می‌دهد که کاربردهای بالینی فراوانی دارد. مدل‌سازی پیش‌بینی الکتروانسفالوگرام می‌تواند علاوه بر استخراج مفاهیم قابل توجه، برای اثبات تشخیص صرع بکار گرفته شود. در سال‌های اخیر، تجزیه و تحلیل‌های مبتنی بر پیش‌بینی نشان دادند که رویکردهای داده محور می‌توانند با ادغام مجموعه داده‌های بالینی و تکنیک‌های یادگیری ماشین، به عنوان یک سیستم واحد و هوشمند نتایج مراقب‌های بهداشتی را ارائه دهند. در این پژوهش یک روش جهت بهبود تشخیص تشنج صرعی از سایر حالت‌های ضبط شده توسط دستگاه الکتروانسفالوگرام ارائه شد. روش پیشنهادی با استفاده از قاب‌بندی داده‌های سری زمانی، محاسبه‌ی انحراف معیار از داده‌‌های درون قاب، انتخاب مهمترین ویژگی‌های توسط الگوریتم ریلیف و آستانه‌یابی الگوریتم ژنتیک، توانست بردار ویژگی را بهینه نماید. نتایج بدست آمده از طبقه‌بندی یادگیری عمیق با 6 لایه‌ی پیشنهادی نشان می‌دهد که روش پیشنهادی قادر است با دقت %99.40، حساسیت %99.25 و اختصاصیت %100 تشنج صرعی را از سایر وضعیت‌های موجود روی مجموعه دادگان بیماران تشنج صرعی نسخه بازسازی شده دانشگاه بن آلمان افتراق دهد که در معیار دقت طبقه‌بندی به میزان %1.3 بهبود نسبت به الشرهان و همکاران نشان می‌دهد.