طبقه‌بندی سیگنال‌های مغزی در بیماری صرع با استفاده از الگوی دودویی محلی

سیگنال الکتروانسفالوگرافی (eeg) فعالیت عصبی در مغز را ثبت می‌کند که از آن در تشخیص فعالیت‌های صرع استفاده می‌شود. کنترل چشمی سیگنال eeg برای تشخیص صرع، وقت‌گیر و گاها با اشتباهات زیادی همراه است. در این مقاله، یک رویکرد خودکار موثر برای تشخیص صرع با استفاده از استخراج ویژگی الگوی دودویی محلی کوانتیزه چندتایی یک‌بعدی (1d-mqlbp)، پیشنهاد شده است. ویژگی‌های استخراج شده به الگوریتم‌های طبقه‌بندی مانند k-nn، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی پیشخور برای طبقه‌بندی سیگنال‌های eeg وارد می‌شوند. عملکرد طبقه‌بندی برای 18 سناریو مختلف با استفاده از اعتبار سنجی متقابل 10 قسمتی، برای طبقه‌بندی حالت‌های افراد سالم – مبتلا به صرع (با تشنج) ، صرع (با تشنج) – صرع (بدون تشنج) ، افراد سالم – صرع (بدون تشنج)، افراد بدون تشنج – با تشنج و افراد سالم - صرع (بدون تشنج) - صرع (با تشنج) بررسی شده است. نتیجه آزمایش‌ها نشان می‌دهد که در همه موارد، روش 1d-mqlbp با استفاده از طبقه‌بند ann و ffnn به دقت قابل قبولی دست یافته است. علاوه بر این ، عملکرد محاسباتی و دقت طبقه‌بندی روش پیشنهادی با روش‌های پیشین تشخیص صرع نشان می‌دهد که عملکرد روش پیشنهادی با طبقه‌بندی ann و ffnn نسبت به سایر تکنیک های پیشین برای طبقه‌بندی فوق الذکر بهتر است. نتایج طبقه‌بندی برای سناریو‌های a-e، b-e، c-e، d-e، a-d، ac-e و ab-e به دقت 100% رسیده است.