AIS-RCA: روشي موثر براي بهبود فضاي ويژگي‌ها در افزايش دقت تشخيص حملات صرع

AIS-RCA: An Efficient Feature Reduction Method to Improve the Seizure Detection Rate

پيش‌بيني زمان وقوع حملات صرع در بيماران از جمله موضوعاتيست كه مورد توجه محققان است. حملات صرع به طور نامنظم و غير قابل پيش‌بيني شده‌اي اتفاق مي‌افتند. بنابراين تشخيص حملات صرع از روي سيگنال‌هاي EEG كه در بازه زماني طولاني گرفته مي‌شوند؛ بسيار حايز اهميت است. اين امر تشخيصي به دو مرحله مجزاي استخراج ويژگي‌ها از قطعات سيگنال EEG و اعمال الگوريتم طبقه‌بندي بر روي بردارهاي ويژگي تقسيم مي‌شود. به همين منظور در مرحله اول با استفاده از تحليل زمان- فركانس بر روي قطعات سيگنال EEG و به‌دست آوردن صفحه زمان- فركانس هر قطعه، استخراج ويژگي‌ها از سيگنال‌ها انجام مي‌شود. در مرحله دوم با استفاده از الگوريتم نزديك‌ترين همسايه كار تشخيص حملات صورت مي‌گيرد. اما قبل از اعمال الگوريتم طبقه‌بندي، براي اصلاح فضاي ويژگي‌ها و يادگيري معيار فاصله، از الگوريتم AIS-RCA استفاده شده است. اين الگوريتم براي به‌دست آوردن ماتريس تبديل W، داده‌ها را به صورت مجموعه‌اي از دسته‌ها در نظر مي‌گيرد و با ارايه الگوريتم جديد AD-AIRS و با الهام گرفتن از سيستم ايمني بدن دسته‌ها را مي‌يابد. آزمايش‌هاي انجام شده نشان دهنده دقت 100% و بهبود نتايج در مقايسه با برخي روش‌هاي انتقال موجك، آنتروپي، معيار بي‌نظمي و تبديل انتقال فوريه سريع را نشان مي‌دهد.

There is a growing interest to improve seizure prediction by online analyzing of electroencephalogram (EEG) signals in epileptic patients. Seizure attack is occurred infrequently and unpredictably; hence, automatic detection of seizure during long-term is highly recommended. In this paper a novel Feature Reduction method namely AIS-RCA which adopted from the immunity system is proposed to improve the seizure detection rate. The automatic seizure detection can be performed in two successive stages: 1) The feature extraction/selection stage from EEG signals and 2) classifying the feature vectors by an efficient classifier. In this study, first, pseudo-Wigner-Ville distribution was applied to each window of the EEG signals and then the extracted features were transformed by AIS-RCA transform to represent the features in a more separable space. The AIS-RCA transformation matrix is estimated by using chunklets (a chunklet is defined as a subset of points that are known to be same). AIS-RCA using the proposed Artificial Immune System algorithm named Adaptive Distance-AIRS to discover the chunklets in the data space. Finally KNN classifier was applied to the transformed features to classify the seizure and non-seizure windows. The experimental results show that the proposed method yields epileptic detection accuracy rate up to 99.9% which is better than the results achieved by other types of features such as FFT, Wavelet transform, entropy and chaotic measures.