شناسايي صرع بر اساس بهينه سازي ويژگي هاي ادغامي تبديل هارتلي با مدل تركيبي MLP و GA همراه با استراتژي يادگيري ممتيك

يكي از مسائل مهم در پردازش سيگنال هاي EEG، تشخيص حمله صرع است. در اين مقاله، يك الگوريتم تشخيص و طبقه بندي سيگنال هاي مغزي حاوي حمله صرع از سيگنال هاي بدون حمله بر اساس ادغام ويژگي هاي تبديل هارتلي پيشنهاد شده است. در اين الگوريتم، علاوه بر استخراج ويژگي هاي معمول زماني و فركانسي مانند آنتروپي طيفي و چگالي طيف توان، يك ويژگي جديد مبتني بر ادغام ويژگي هاي مستخرج از تبديل هارتلي تعريف مي شود. براي تعريف اين ويژگي جديد، ويژگي هاي مستخرج از تبديل هارتلي بر اساس يك سناريوي ماتريس كرنلي ادغام مي شوند. جهت بهينه كردن و كاهش ابعاد بردار ويژگي مستخرج از سيگنال هاي مغزي، از يك مدل تركيبي الگوريتم ژنتيك تحت استراتژي آموزش ممتيك و شبكه عصبي چندلايه پس انتشار خطا استفاده مي شود. طبقه بندي نهايي بر روي اين ويژگي هاي بهينه شده توسط يك شبكه عصبي پرسپترون با يك لايه پنهان انجام مي شود و به طور ميانگين صحت 325/95% را در طبقه بندي سيگنال هاي صرعي فراهم مي كند.