fa پیش‌بینی تشنج صرعی از روی ویژگی‌های طیفی، زمانی و مکانی سیگنال‌های نوار مغزی با استفاده از الگوریتم‌های یادگیری عمیق نورولوژی Neurology پژوهشي Research --- Open Access, CC-BY-NC <strong>مقدمه:</strong> صرع یکی از شایع‌ترین اختلالات دستگاه عصبی است که به میزان زیادی زندگی بیماران را تحت تاثیر قرار می‌دهد. تشخیص زودهنگام حملات صرعی، تأثیر زیادی بر کیفیت زندگی بیماران خواهد گذاشت. در این پژوهش، یک معماری با ساختار شبکه عصبی عمیق برای یادگیری ویژگی‌های ارزشمند از سیگنال‌های نوار مغزی (EEG) به منظور تشخیص و همچنین پیش‌بینی تشنج‌های صرعی ارائه شده است. <strong>مواد و روش‌ها: </strong>معماری ارائه‌شده متشکل از شبکه‌های عصبی پیچشی و حافظۀ طولانی کوتاه-مدت است و به نحوی طراحی شده است که&nbsp; داده‌های مکانی، زمانی و طیفی سیگنال‌های EEG را به کار ببندد. علاوه بر این، شبکه طراحی‌شده بر روش‌های انتخاب صریح الکترودها تکیه ندارد. مدل ارائه شده روی مجموعه داده بیمارستان کودکان بوستون-مؤسسه فناوری ماساچوست (CHB-MIT) بکار بسته شده است. به منظور ارزیابی مدل، از رویکرد ارزیابی مختص بیمار (Patient-Specific) استفاده شده است. <strong>یافته‌ها: </strong>حساسیت معماری در پیش‌بینی تشنج برابر با 7/9 &plusmn;&nbsp;90/7،&nbsp; نرخ پیش‌بینی اشتباه تشنج برابر با 0/12 در ساعت و میانگین مدت زمان پیش‌بینی تشنج تا وقوع تشنج برابر با 36/8 دقیقه به &rlm;دست آمد. همچنین مدل ارائه‌شده ناحیۀ کانون تشنج (در تشنج‌های کانونی) را نیز تخمین می‌زند.<strong> نتیجه‌گیری:</strong> مدل ارائه‌شده به توانایی بالایی در پیش‌بینی تشنج دست یافت. همچنین با استفاده از قابلیت استخراج خودکار ویژگی‌ها در یادگیری عمیق، الگوی سیگنال‌ها دربازۀ پیش از تشنج با دقت مناسبی تعیین شدند. به &rlm;علاوه، مدل بوسیلۀ تخمین ناحیۀ کانون تشنج، می‌تواند متخصصان اعصاب را در اقدامات درمانی مرتبط یاری نماید. <span style="font-family:Tahoma;"><strong>Introduction:</strong> Epilepsy is one of the most common brain disorders that greatly affect patients life. However, early detection of seizure attacks can significantly improve their quality of life. In this study, we evaluated a deep neural network to learn robust features from electroencephalography (EEG) signals to automatically detect and predict seizure attacks. <strong>Materials and Methods:</strong> The architecture consists of convolutional neural networks and long short-term memory networks. It is designed to simultaneously capture spectral, temporal, and spatial information. Moreover, the architecture does not rely on explicit channel selection algorithms. The method is applied to the Children&#39;s Hospital of Boston-Massachusetts Institute of Technology dataset (CHB-MIT). To evaluate the method, the proposed model is trained in the patient-specific approach.<strong> Results: </strong>The proposed architecture achieves a sensitivity of 90.7 &plusmn; 7.9 percent, a false prediction rate of 0.12/h, and a mean prediction time of 36.8 minutes. Moreover, in the cases of focal seizures, the proposed model estimates the seizure focus. <strong>Conclusion: </strong>The proposed model achieved a high capability in seizure prediction. Moreover, by using the automated feature selection of the deep learning algorithm, the patterns of the pre-ictal period in EEG signals were determined. Furthermore, by specifying the seizure focus, the model can help neurologists to take further curative actions.</span> <h2></h2> بیماران, یادگیری عمیق, نوار مغز Patients, Deep Learning, Electroencephalography 110 119 http://shefayekhatam.ir/browse.php?a_code=A-10-568-2&slc_lang=fa&sid=1 Nazanin Mohammadkhani Ghiasvand نازنین محمد خانی غیاثوند nazaninmohammadkhani@yahoo.com 100319475328460020871 100319475328460020871 No Human-Computer Interaction Lab, Faculty of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran آزمایشگاه تعامل انسان و کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران Foad Ghaderi فؤاد قادری fghaderi@modares.ac.ir 100319475328460020872 100319475328460020872 Yes Human-Computer Interaction Lab, Faculty of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran آزمایشگاه تعامل انسان و کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران