شما اینجائید:خانه » دانلود » تشخیص بیماری صرع از طریق سیگنال EEG و مقایسه روش های (SVM,LDA,KNN و درخت تصمیم)

تشخیص بیماری صرع از طریق سیگنال EEG و مقایسه روش های (SVM,LDA,KNN و درخت تصمیم)

ارسال شده توسط:Papersim تاریخ ارسال: 2019/07/20 در دیدگاه‌ها بسته هستند

چکیده

در این مطالعه با استفاده از روش تجزیه و تحلیل خطی به صورت گسترده به ارزیابی پرداخته شده است. برای تشخیص در مرحله پیشگیری با استفاده از سیگنال EEG

بنا به نتایج حاصل از طبقه‌بندی و تجزیه و تحلیل ROC، تجزیه و تحلیل خطی و ماشین‌های بردار پشتیبان عملکرد بهتری از سایر روش‌ها دارند. در مرحله پیشگیری، روند LDA( خطی) به بالاترین حساسیت با میانگین 88.06 درصد دست یافت.

برای 14 بیمار آزمایشات انجام شده‌است. برای هر بیمار، از 21 کانال، 26 ویژگی استخراج می‌شود. ابعاد مجموعه ویژگی با استفاده از PCA از 26 تا به 8 ویژگی کاهش پیدا می‌کند. سپس بهترین کانال توسط طبقه LDA تعیین شده است.

در ادامه مقاله ما از مجموعه ویژگی‌های متعلق به بهتری کانال برای هر بیمار استفاده کرده ایم. مجموعه آموزش و مجموعه آزمون ( تست) از طریق ویژگی‌هایی که از روش اعتبار سنجی متقابل به دست می‌آیند؛ انتخاب شده است. از LDA، K-NN، SVM، DT و MLP برای طبقه بندی حالت‌های نرمال، اکتال و پری اکتال از سیگنال های EEG استفاده شده‌است.

ماتریس Confusion برای ارزیابی عملکرد طبقه‌بندی در نطرگرفته شده. سپس دقت، حساسیت و اختصاصی بودن محاسبه می‌شود.

نتایج مطالعات بسیار امیدوار کننده بوده و راهنما و کمک برای پیش بینی و تشخیص احتمالی تشنج است.

پایگاه داده

داده های این پروژه از پایگاه PhysioNet استخراج شده است.

مشخصات نمونه‌ها

تجزیه و تحلیل برای 14 بیمار مبتلا به صرع انجام شده‌است. در مرحله اول، 26 ویژگی از دامنه ی زمانی، دامنه فرکانس و طیف توان استخراج شده‌است. جهت تجزیه و تحلیل اجزای اصلی، ابعاد مجموعه ویژگی‌ها از 26 به 8 ویژگی کاهش داده شده است.

Comparison of different classification methods for

the preictal stage detection in EEG signals