شما اینجائید:خانه»پیاده سازی مقاله»تشخیص بیماری صرع از سیگنال EEG توسط شبکه های عصبی مصنوعی
تشخیص بیماری صرع از سیگنال EEG توسط شبکه های عصبی مصنوعی
ارسال شده توسط:Papersimتاریخ ارسال: 2016/09/09در پیاده سازی مقالهدیدگاهها برای تشخیص بیماری صرع از سیگنال EEG توسط شبکه های عصبی مصنوعی بسته هستند
هدف ما تشخیص بیماری صرع از سیگنال EEG توسط شبکه های عصبی مصنوعی
در این مطالعه به خوشه بندی داده های EEG با استفاده از یک روش ترکیبی از شبکه عصبی، PSO و خوشه بندی Kmeans جهت تشخیص بیماری صرع پرداختیم. داده های EEG استفاده شده شامل سه دسته کلی سالم، بیماران صرعی pre-ictal و بیماران صرعی با حالتهای غش clonic و absence بوده است. روش کار بدین شکل بوده است که ابتدا با استفاده از موجک گسسته (dwt) به حذف آرتیفکت های پلک زدن و آرتیفکت حرکتی پرداختیم و پس از به دست آوردن سیگنال EEG تمیز، با استفاده از موجک پیوسته (cwt) به استخراج ویژگی پرداختیم.
پس از استخراج ویژگی مرحله کلاسبندی را در پیش داشتیم. در مرحله اول، به کلاسبندی به صورت supervised پرداختیم به شکلی که داده ها را به سه دسته سالم، بیمار صرعی بدون غش و بیمار صرعی با غش کلاسبندی نمودیم. پس از آن با استفاده از داده هایی که به عنوان بیمار صرعی با غش شناخته شدند به خوشه بندی با استفاده از روش ترکیبی PSO-Kmeans پرداختیم. با انجام این کلاسبندی به دقت ۱۰۰% برای گروه سالم، ۹۸% برای گروه بیماران صرعی بدون تشنج و دقت ۹۹% با تشنج دست یافتیم.
لازم به ذکر میباشد روش ارایه شده در مقاله فقط شبکه عصبی بوده است ولی در این شبیه سازی علاوه بر شبکه عصبی روش پیشنهادی و ترکیبی PSO و Kmeans نیز جهت نوآوری انجام شده است که نتایج بهتری در بر داشته است.
تشخیص بیماری صرع از سیگنال EEG توسط شبکه های عصبی مصنوعی
Electroencephalogram Signals Processing for the Diagnosis of Petit mal and
Grand mal Epilepsies Using an Artificial Neural Network
Published in: Journal of Applied Research and Technology
Date of Publication: 2010
برای مشاهده مقاله ؛ تصویر فوق را کلیک کنید تا دانلودشود
مشخصات شبیه ساز:
دکتری هوش مصنوعی
دانشگاه تهران
محتویات:
اصل مقاله
پیاده سازی با Matlab
گزارش مقاله و توضیحات فارسی الگوریتم و نتایج (Word)