تشخيص صرع در سيگنال‌هاي الكتروانسفالوگرافي (EEG) بر اساس ويژگي طيف كلي موجك (GWS) با استفاده ماشين بردار پشتيبان

Detection of Epilepsy in Electroencephalographic (EEG) Signals Based on Global Wavelet Spectrum (GWS) Using Support Vector Machine (SVM

در حدود يك درصد از مردم دنيا از صرع رنج مي‌برند. اولين مرحله از درمان صرع، تشخيص به‌موقع و صحيح آن است. يكي از راه‌هاي تشخيص صرع، تجزيه و تحليل دقيق سيگنال الكتروانسفالوگرافي (EEG) است. ويژگي‌هاي مختلفي جهت تشخيص اين بيماري از روي سيگنال مانند دامنه سيگنال وجود دارد. در اين مقاله، با بررسي اطلاعات زمان-فركانسي سيگنال EEG در افراد مبتلا به سندرم صرع بدون تشنج و افراد سالم، روش جديدي براي تشخيص صرع ارائه شده است. در ابتدا ويژگي طيف كلي موجك (GWS) براي سيگنال EEG افراد سالم و افراد مبتلا به سندرم صرع استخراج شده است. براي بررسي اين طيف در باندهاي فركانسي، سيگنال EEG با استفاده از تبديل موجك به 5 زيرباند تجزيه مي‌گردد. سپس با اعمال اين ويژگي به طبقه‌بند مبتني‌بر ماشين بردار پشتيبان به تشخيص صرع پرداخته شده است. نتايج تجزيه و تحليل، تفاوت قابل ملاحظه‌اي، جهت تفكيك كردن فرد بر اساس سيگنال EEG فراهم مي‌كند. روش پيشنهادي در مقايسه با روش‌هاي قبلي، سيگنال‌هاي سالم و صرعي را با دقت 100% طبقه‌بندي كرده است. همچنين، مشاهده شد كه مقادير غالب GWS براي سيگنال‌هاي انتخاب‌شده از بيماران مبتلا به سندرم صرعي در باند فركانسي دلتا و تتا يافت مي‌شوند.

Approximately one percent of the world's population suffers from epilepsy. The first stage of epilepsy treatment is timely and correct diagnosis. One of the ways to diagnose epilepsy is to accurately analyze EEG signals. There are various features to diagnose the disease from a signal such as the signal amplitude. In this paper, a new method for the diagnosis of epilepsy is presented by examining the time-frequency information of the EEG signal in people with seizure-free seizure syndrome and healthy people. Initially, the Global Wavelet Spectrum (GWS) feature of the EEG signal was extracted. To interpret this Spectrum in frequency bands, EEG signals decompose to five levels by continuous wavelet transform. Then, by applying this feature, a Support vector machine-based classifier was used to diagnose epilepsy. The results of the analysis provided a significant difference in the separation of the individual based on the brain signal. The proposed method compared to the previous methods, can classify epilepsy and intact signals with 100% accuracy. It was also observed that the dominant (GWS) values for the signals selected from patients with epilepsy in the delta and theta frequency band are discussed.