رویکرد جدید در تشخیص بیماری صرع مبتنی بر الگوریتم عنکبوت اجتماعی و الگوریتم ماشین بردار پشتیبان

بیماری صرع را می توان به عنوان تشنج های عُودکننده ناشی از تخلیه الکتریسته ناگهانی بر روی یک گروه از سلول های مغزی انسان تعریف کرد. سیگنال های الکتروانسفالوگرام (eeg) نقش بسیار مهمی در تشخیص این بیماری ایفا می کند. ثبت سیگنال های eeg که توسط دستگاه های ثبت سیار ضبط می شوند، اطلاعاتی با طول بسیار بالا تولید می کنند که تشخیص ناحیه صرعی، نیازمند مدت زمان طولانی برای تحلیل کل اطلاعات توسط شخص متخصص می باشد. به دلیل خسته کننده بودن روش های سنتی تحلیل، در سال های اخیر تعداد بسیار زیادی سیستم اتوماتیک برای تشخیص صرع به وجود آمده است. در این مقاله، رویکرد جدیدی مبتنی بر الگوریتم عنکبوت اجتماعی ارائه شده است. در ابتدا سیگنال eeg براساس تبدیل موجک گسسته تجزیه می شود. سپس، 132 ویژگی آماری، آنتروپی و ویژگی های آشوب استخراج می شوند و بهترین ویژگی ها توسط الگوریتم عنکبوت اجتماعی با تابع هدف پیشنهادی انتخاب می شوند. در نهایت، ویژگی های انتخابی با استفاده از الگوریتم ماشین بردار پشتیبان جهت طبقه بندی سیگنال های eeg تشنج و غیرتشنج استفاده می شود. نتایج شبیه سازی نشان می دهد که روش پیشنهادی بر روی مجموعه داده های سیگنال eeg دانشگاه بُن به صحت و حساسیّت خوبی برخوردار است و این روش می تواند به طور موثر به پزشکان در تشخیص صرع کمک کند، بنابراین بارکاری آنها کاهش می یابد.

a new approach to epilepsy diagnosis based on the social spider algorithm and the support vector machine

epilepsy can be defined as recurrent seizures caused by sudden electrical discharges in a group of human brain cells. electroencephalogram (eeg) signals play a very important role in the diagnosis of this disease. eeg signal recordings, which are recorded by portable recording devices, produce very long data, and the detection of the epileptic zone requires a long time for the analysis of all the data by a specialist. traditional analysis methods are tedious, so in recent years, a large number of automatic systems for epilepsy diagnosis have emerged. in this paper, a new approach based on the social spider optimization algorithm (sso) is presented. first, the eeg signal is decomposed based on the discrete wavelet transform. then, 132 statistical features, entropy and chaos features are extracted, and then the best features are selected by the sso with the proposed objective function. finally, the selected features are used to classify seizure and non-seizure eeg signals by support vector machine algorithm. simulation results show that the proposed method has good accuracy and sensitivity on bonn university dataset, and this method can effectively help doctors in diagnosing epilepsy, thus reducing their workload.