تشخیص بیماری صرع مبتنی بر سیگنال‌های eeg با استفاده از ماشین بردار پشتیبان بهبودیافته با الگوریتم بهینه‌سازی عقاب طلایی

تجزیه و تحلیل سیگنال eeg از ناحیه پوست سر مغز انسان می‌تواند به تشخیص صرع کمک کند. برای این منظور پس از جمع‌آوری سیگنال‌ها، در مرحله پیش‌پردازش با استفاده از تبدیل موجک گسسته عمل استخراج ویژگی از سیگنال‌ها انجام می‌شود، سپس در مرحله پس‌پردازش ماشین بردار پشتیبان بهبودیافته با الگوریتم بهینه‌سازی عقاب طلایی تشخیص صرع را انجام می‌دهد. در جهت مقایسه روش پیشنهادی، از طبقه‌بند k- نزدیک‌ترین همسایه استفاده شده است. نتایج نشان می‌دهد ماشین بردار پشتیبان بهبودیافته با الگوریتم بهینه‌سازی عقاب طلایی با میانگین مربعات خطای 0.032 و دقت 99.2% به ازای کل سیگنال‌ها تشخیص صرع را انجام می‌دهد.

epilepsy diagnosis based on eeg signals using improved support vector machine with golden eagle optimization algorithm

analyzing the eeg signal from the scalp area of the human brain can help diagnose epilepsy. for this purpose, after collecting the signals, in the pre-processing stage using discrete wavelet transform, feature extraction is done from the signals, then in the post-processing stage, the improved support vector machine with the golden eagle optimization algorithm performs epilepsy diagnosis. in order to compare the proposed method, the k-nearest neighbor classifier has been used. the results show that the improved support vector machine with the golden eagle optimization algorithm performs epilepsy diagnosis with a mean square error of 0.032 and an accuracy of 99.2% for all signals.