بازگشت به بانک اطلاعات پایان نامه ها
شماره دانشجویی : 920633575
نویسنده : ساره افروز
عنوان پایان نامه : طبقه بندی سیگنال های صرعی و غیر صرعی با استفاده از پردازش سیگنال های ECoG به کمک ماشین بردار پشتیبان بهینه (SVM) و طبقه بندی کننده نایو بیز (NBC)
دانشكده : دانشکده تحصیلات تکمیلی و مجتمع فنی
گروه تحصيلي : کامپیوتر
رشته/گرایش تحصيلي : مهندسي كامپيوتر- نرم افزار
مقطع تحصيلي : کارشناسی ارشد
استاد راهنما (استاد مدعو) : , سيده حوري فخرموسوي,
استاد مشاور () : ,
چكيده : چکیده
صرع با رخ دادن فعالیت های غیرطبیعی در مغز مشخص میشود. نوار مغزی یا الکتروآنسفالوگرافی تغییرات نشان دهنده تشنج را در ریخت شناسی سیگنال ها ثبت میکند. این ویژگی های ثبت شده در تشنج های بیماران و یا تشنج های مختلف یک بیمار متفاوت هستند. در برخی موارد صرع با داروهای ضد صرع کنترل می شود، اما در برخی موارد که بیماری شدیدتر است نیاز به جراحی است. با اندازه گیری الکترود های سطح بیرونی جمجمه در EEG شروع حملات تشنجی تخمین زده میشود اما برای دریافت دقیق تر حملات حساس تر نیاز به نصب ECoG در داخل جمجمه می باشد.
ناحیه های وقوع صرع در بخش کورتیکال از قبل مشخص شده است که با کار گذاری مناسب
الکترود ها در این قسمت ها اطلاعات بیشتری از بیماری قابل تشخیص می باشد. متخصصین صرع شناسی از سیر تکاملی سیگنال های منحرف، جهت شناسایی و تشخیص حملات صرع استفاده می نمایند و ناحیه صرع با دقت بیشتر روی مناطقی که بیشتر درگیر حمله بودند مشخص می شود. این مناطق با آنالیز داده های ECoG بسیار دقیق و کامل میباشند. با این حال، ریخت شناسی سیگنال های تشنج های صرعی با تشنج های دیگر تفاوت اندکی دارد که همین شباهت ها باعث پیچیده کردن و زمان بر شدن تشخیص های متخصصین می شود.
در این پژوهش سعی میشود تا با استفاده از داده های جمع آوری شده توسط ECoG و الگوریتم آموزشی طبقه بندی خودکار ماشین به نام ماشین بردار پشتیبان و طبقه بندی نایو بیز، راه حلی برای تشخیص سیگنال های صرعی ارائه شود. همچنین داده های ECoG در مسیر توسط تبدیل موجک فشرده شده و در باندهای بین 0 تا 30هرتز جهت اجرای فرایند انتخاب میشوند. بسیاری از دادههای ثبت شده از باندهای فرکانسی مختلف در خروجی ECoG تأثیر قابل ملاحظه ای در طبقه بندی نهایی نداشته و وجود این دادهها باعث کند شدن زمان اجرا میشوند. در این پژوهش با شناسایی و فیلترگذاری باندهای فرکانسی مؤثر از باندهای کم اثرتر عملیات تجزیه با سرعت بیشتر انجام می پذیرد. و در نهایت ضمن بررسی ماشینهای بردار پشتیبان، از روش طبقه بندی NBC هم استفاده خواهد شد و با روش SVM مقایسه می شود.
نتایج نشان می دهد استفاده از تمامی داده های کانال جهت آموزش ماشین بردار پشتیبان بدون کاهش ویژگی ها می تواند تا 98% در تشخیص صحیح باشد اما زمان اجرای بالاتری نسبت به الگوریتم های با کاهش ویژگی خواهد داشت. همچنین با تجزیه تحلیل فرکانس های بالا بین 60 تا 500 هرتز، در نتایج تغییر محسوسی نسبت به مقایسه با فرکانس های بین 0 تا 30 در طبقه بندی مشاهده نشده است.
نتایج دیده شده در این مقاله نشان میدهد طبقه بندی با ماشین بردار پشتیبان میتواند نتایج بسیار مطلوبی در تشخیص بیماری صرع نشان دهد اما زمان اجرای بسیار بیشتری نسبت به الگوریتم نایو بیز نیاز دارد و الگوریتم نایو بیز با کاهش نسبی دقت زمان پردازش را بسیار کاهش می دهد، همچنین با تجمیع زمان آموزش و تشخیص، الگوریتم فوق زمان اجرای بسیار کمتری نسبت به سایر الگوریتم های یادگیری ماشین مانند شبکه های عصبی مصنوعی دارد. همچنین میزان دقت الگورتیم فوق را میتوان با تغییر طول سگمت داده، اندازه ماتریس آموزش، میزان دقت و کیفیت داده های صرعی و یا غیر صرعی و مقدار داده های استفاده شده برای آموزش را تغییر داد.
كلمات كليدي : طبقه بندی سیگنال های صرعی
تاريخ دفاع : 1396-2-31