تشخيص حمله‌هاي صرعي از روي ضرايب موجك با استفاده از شبكه‌هاي عصبي مصنوعي و الگوريتم بهينه‌سازي انبوه ذرات (PSO)

سيگنال‌هاي الكتروانسفالوگرام (EEG)[i]، فعاليت‌هاي الكتريكي سلول‌هاي عصبي مغز را نشان مي‌دهند. استخراج سيگنال EEG روشي غيرتهاجمي است كه براي تشخيص فعاليت‌هاي غيرعادي مغز مفيد است. تشنج يكي از انواع فعاليت‌هاي غيرعادي مغز و مهم‌ترين تظاهر بيماري صرع است. دشارژهاي صرعي‌شكل (امواج سوزني)[ii] مهم‌ترين مشخصه سيگنال‌هاي فرد درحال تشنج است. با آشكارسازي امواج سوزني، امكان تشخيص بيماري صرع از سيگنال EEG وجود دارد. سيگنال‌هاي EEG از نوع سيگنال‌هاي غيرايستان هستند؛ پس تبديل موجك[iii] كه قدرت تفكيك مناسب زماني و فركانسي دارد، گزينه مناسبي براي استخراج ويژگي‌هاي سيگنال‌هاي EEG است. در اين مقاله، پس از مرحله استخراج ويژگي، با استفاده از تبديل موجك، شبكه‌هاي عصبي مصنوعي (ANN)[iv] براي طبقه‌بندي سيگنال‌هاي سالم و سيگنال‌هاي داراي بيماري صرع استفاده مي‌شوند. همچنين، الگوريتم بهينه‌سازي انبوه ذرات (PSO)[v] روشي جديد براي انتخاب وزن‌ها و باياس‌هاي شبكه است تا عملكرد شبكه بهبود يابد. نتايج پياده‌سازي الگوريتم پيشنهادي، صحت 2/96% را داشته‌اند كه نسبت به روش‌هاي موجود، طبقه‌بندي سيگنال‌هاي EEG عملكرد بهتري را نشان مي‌دهد.