[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله ::
:: دوره 9، شماره 2 - ( بهار 1400 ) ::
دوره 9 شماره 2 صفحات 1-9 برگشت به فهرست نسخه ها
استفاده از ماشین‌های بردار پشتیبانی به‌عنوان یک الگوریتم هوشمند برای تشخیص تشنج از سیگنال‌های EEG
مجتبی محمدپور*، عاطفه علیزاده
گروه مهندسی برق و کامپیوتر، مجتمع آموزش عالی گناباد، گناباد، ایران ، m.mohammadpoor@gmail.com
چکیده:   (422 مشاهده)
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 تأیید 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.
واژه‌های کلیدی: تشنج، الکتروانسفالوگرافی، آنافیلاکسی پوستی منفعل
متن کامل [PDF 863 kb]   (127 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: بيوانفورماتيك در علوم اعصاب
فهرست منابع
1. Litt B, Echauz J. Prediction of epileptic seizures. The Lancet Neurology. 2002 May 1; 1(1): 22-30. [DOI:10.1016/S1474-4422(02)00003-0]
2. Asadi-Pooya AA, Nikseresht AR, Yaghoobi E, Nei M. Physical injuries in patients with epilepsy and their associated risk factors. Seizure 2012; 21: 165-68. [DOI:10.1016/j.seizure.2011.10.009]
3. Asadi-Pooya AA, Sperling MR. Clinical features of sudden unexpected death in epilepsy. J Clin Neurophysiol 2009; 26(5): 297-301. [DOI:10.1097/WNP.0b013e3181b7f129]
4. Bronzino JD. Principles of electroencephalography. The biomedical engineering handbook. 1995;1.
5. Doppelbauer A, Zeitlhofer J, Zifko U, Baumgartner C, Mayr N, Deecke L. Occurrence of epileptiform activity in the routine EEG of epileptic patients. Acta neurologica scandinavica. 1993 May; 87(5): 345-52. [DOI:10.1111/j.1600-0404.1993.tb04115.x]
6. Subasi A. EEG signal classification using wavelet feature extraction and a mixture of expert model. Expert Systems with Applications. 2007 May 1; 32(4): 1084-93. [DOI:10.1016/j.eswa.2006.02.005]
7. Bashar MK, Reza F, Idris Z, Yoshida H. Epileptic seizure classification from intracranial EEG signals: A comparative study EEG-based seizure classification. InBiomedical Engineering and Sciences (IECBES), 2016 IEEE EMBS Conference on 2016 Dec 4 (pp. 96-101). IEEE. [DOI:10.1109/IECBES.2016.7843422]
8. Gupta A, Singh P, Karlekar M. A Novel Signal Modeling Approach for Classification of Seizure and Seizure-Free EEG Signals. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2018 May; 26(5): 925-35. [DOI:10.1109/TNSRE.2018.2818123]
9. Li Y, Wang XD, Luo ML, Li K, Yang XF, Guo Q. Epileptic seizure classification of EEGs using time-frequency analysis based multiscale radial basis functions. IEEE journal of biomedical and health informatics. 2018 Mar; 22(2): 386-97. [DOI:10.1109/JBHI.2017.2654479]
10. Correa AG, Laciar E, Orosco L, Gomez ME, Otoya R, Jane R. An energy-based detection algorithm of epileptic seizures in EEG records. InEngineering in Medicine and Biology Society, 2009. EMBC 2009. Annual International Conference of the IEEE 2009 Sep 3 (pp. 1384-1387). IEEE.
11. Oweis RJ, Abdulhay EW. Seizure classification in EEG signals utilizing Hilbert-Huang transform. Biomedical engineering online. 2011 Dec; 10(1): 38. [DOI:10.1186/1475-925X-10-38]
12. Jiang Y, Wu D, Deng Z, Qian P, Wang J, Wang G, Chung FL, Choi KS, Wang S. Seizure Classification from EEG Signals using Transfer Learning, Semi-Supervised Learning and TSK Fuzzy System. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 2017 Dec; 25(12): 2270-84. [DOI:10.1109/TNSRE.2017.2748388]
13. Fasil OK, Rajesh R. Time-domain exponential energy for epileptic EEG signal classification. Neuroscience Letters. 2019 Feb 16; 694: 1-8. [DOI:10.1016/j.neulet.2018.10.062]
14. Jothiraj SN, Selvaraj TG, Ramasamy B, Deivendran NP, Subathra MS. Classification of EEG signals for detection of epileptic seizure activities based on feature extraction from brain maps using image processing algorithms. IET Image Processing. 2018 Aug 14; 12(12): 2153-62. [DOI:10.1049/iet-ipr.2018.5418]
15. Andrzejak RG, Lehnertz K, Mormann F, Rieke C, David P, Elger CE. Indications of nonlinear deterministic and finite-dimensional structures in time series of brain electrical activity: Dependence on recording region and brain state. Physical Review E. 2001 Nov 20; 64(6): 061907. [DOI:10.1103/PhysRevE.64.061907]
16. https://archive.ics.uci.edu/ml/datasets/ Epileptic+Seizure+Recognition
17. Guo L, Rivero D, Seoane JA, Pazos A. Classification of EEG signals using relative wavelet energy and artificial neural networks. InProceedings of the first ACM/SIGEVO Summit on Genetic and Evolutionary Computation 2009 Jun 12 (pp. 177-184). ACM. [DOI:10.1145/1543834.1543860]
18. Acharya UR, Molinari F, Sree SV, Chattopadhyay S, Ng KH, Suri JS. Automated diagnosis of epileptic EEG using entropies. Biomedical Signal Processing and Control. 2012 Jul 1; 7(4): 401-8. [DOI:10.1016/j.bspc.2011.07.007]
19. Ocak H. Optimal classification of epileptic seizures in EEG using wavelet analysis and genetic algorithm. Signal processing. 2008 Jul 1; 88(7): 1858-67. [DOI:10.1016/j.sigpro.2008.01.026]
20. Subasi A, Gursoy MI. EEG signal classification using PCA, ICA, LDA and support vector machines. Expert systems with applications. 2010 Dec 1;37(12):8659-66. [17] Mallat, S. (1999). A wavelet tour of signal processing. Elsevier.‏ [DOI:10.1016/j.eswa.2010.06.065]
21. Huang NE, Shen Z, Long SR, Wu MC, Shih HH, Zheng Q, Yen NC, Tung CC, Liu HH. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. InProceedings of the Royal Society of London A: mathematical, physical and engineering sciences 1998 Mar 8 (Vol. 454, No. 1971, pp. 903-995). The Royal Society. [DOI:10.1098/rspa.1998.0193]
22. Lin YP, Wang CH, Wu TL, Jeng SK, Chen JH. Support vector machine for EEG signal classification during listening to emotional music. InMultimedia Signal Processing, 2008 IEEE 10th Workshop on 2008 Oct 8 (pp. 127-130). IEEE. [DOI:10.1109/MMSP.2008.4665061]
23. Richhariya B, Tanveer M. EEG signal classification using universum support vector machine. Expert Systems with Applications. 2018 Sep 15; 106: 169-82. [DOI:10.1016/j.eswa.2018.03.053]
24. Murugavel AM, Ramakrishnan S. Hierarchical multi-class SVM with ELM kernel for epileptic EEG signal classification. Medical & biological engineering & computing. 2016 Jan 1; 54(1): 149-61. [DOI:10.1007/s11517-015-1351-2]
25. https://en.wikipedia.org/wiki/Sensitivity_and_specificity, accessed 28 Jan 2019.
26. Labatut V, Cherifi H. Evaluation of performance measures for classifiers comparison. arXiv preprint arXiv:1112. 4133. 2011 Dec 18.
27. Polat K, Güneş S. Classification of epileptiform EEG using a hybrid system based on decision tree classifier and fast Fourier transform. Applied Mathematics and Computation. 2007 Apr 15; 187(2): 1017-26. [DOI:10.1016/j.amc.2006.09.022]
28. Asadi-Pooya AA, Sperling MR. Epidemiology of psychogenic non-epileptic seizures. Epilepsy Behav 2015; 46: 60-65. [DOI:10.1016/j.yebeh.2015.03.015]


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mohammadpoor M, Alizadeh A. Using Support Vector Machines as an Intelligent Algorithm for Detecting Seizures from EEG Signals. Shefaye Khatam. 2021; 9 (2) :1-9
URL: http://shefayekhatam.ir/article-1-2125-fa.html

محمدپور مجتبی، علیزاده عاطفه. استفاده از ماشین‌های بردار پشتیبانی به‌عنوان یک الگوریتم هوشمند برای تشخیص تشنج از سیگنال‌های EEG. مجله علوم اعصاب شفای خاتم. 1400; 9 (2) :1-9

URL: http://shefayekhatam.ir/article-1-2125-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 2 - ( بهار 1400 ) برگشت به فهرست نسخه ها
مجله علوم اعصاب شفای خاتم The Neuroscience Journal of Shefaye Khatam
Persian site map - English site map - Created in 0.04 seconds with 29 queries by YEKTAWEB 4341