ارايه يك سيستم تركيبي هوشمند به منظور پيش بيني وقوع حملات تشنجي ناشي از صرع براساس تاخير‌هاي‌ بهينه در سري‌هاي زماني و الگوريتم‌هاي انطباقي فازي-عصبي

An Compound Intelligent Method for Detection of epileptic Seizures, Based on the Nero Fuzzy Inference System and Optimal Delay.

زمينه و هدف: از مهم‌ترين نشانه‌هاي صرع مي‌توان به تشنج، اشاره كرد. پيش بيني و تشخيص به‌موقع حمله تشنجي به ‌طور چشمگيري آسيب‌هاي ناشي از آن را در افراد صرعي كاهش مي‌دهد. از مشكلات اساسي مربوط به اين اختلال عصبي عدم توانايي در پيش بيني به موقع وقوع حملات تشنجي مي‌باشد. مواد و روش‌ كار: به دليل تصادفي بودن فرآيندهاي الكتريكي منجر به صرع رفتار سيگنال‌هاي مغزي را به صورت يك دنباله در واحد زمان مي توان بيان كرد. اين تحقيق 300 مصروع در سه گروه طبيعي، مرحله قبل از تشنج و تشنج بررسي ‌شدند. بر اين اساس داده‌ها پس از دريافت، پيش پردازش ‌شدند، سپس به دنبال استخراج ويژگي‌هاي خاص، توسط الگوريتم پيشنهادي، پيش بيني قابل قبول و مناسبي بر روي آن‌ها صورت مي‌گيرد. در نهايت به منظور اعتبار سنجي نهايي، از روش ارزيابي چند دسته‌ايي هم عرضي (k-fold) استفاده شده است. يافته ها: ابتدا توسط تبديل پردازشگر ويوليت (WT3) آرتيفكت‌هاي احتمالي حذف شد، در مرحله بعد توسط الگوريتم ‌هوشمند پرندگان (BPSO4 ) بهترين ويژگي‌ها (تاخيرها) بدست آمد، سپس توسط الگوريتم‌ ماشين بردار پشتيبان (SVM5)، كاهش بعد ويژگي‌ها (تاخيرها) به‌ منظور مديريت داده‌ها انجام ‌شد. در پايان ارزيابي نهايي و اعتبار سنجي نهايي صورت گرفت، تا دقت الگوريتم با 2 واحد زماني تاخير در پيش بيني تاييد شود. نتيجه گيري: سيستم پيشنهادي در قالب تركيب و تعامل به دقت پيش بيني بالايي دست يافت. روش‌هاي حاضر علي رغم دقت بالا؛ در پيش بيني توانايي چنداني ندارند. مقايسه اين روش و روش‌هاي موجود نشان از دقت و كارايي بالاي اين سيستم دارد.

Background & Objectives: Seizures can be noted to the main symptom of epilepsy. Seizures prediction or early diagnosis for people reduces significantly injuries of epilepsy. The main problem that related to neurological disorders is an inability to timely prediction or the occurrence of seizures. Material and Method: EEG signals are Stochastic Process that can be treated as a sequence in time or in other words can be stated time series. In this study 300 epileptic patients categorized in three groups: normal, before and during the convulsive seizures were studied. Accordingly, after receiving data, they were preprocessed, then for Prediction time occurrence extracted special features by propose Algorithm. Eventually In order to final validate the cross-evaluation method (k-fold) has been used. Result: Firstly by wavelet transforms (WT), removed possible artifacts. In the next step by Binary Particle Swarm Optimization (BPSO) the characteristics (delay) are obtained. Then SVM algorithm (SVM) was performed to dimension reduction and manage the data (delay) so final Prediction that applied by Adaptive Nero Fuzzy Inference System Based on Optimal Delay. The final evaluation and final validation were done and the algorithm accurately in predicts by 2 units in delay approved. Conclusion: The Proposed System achieved a high accurate by interaction in introduced method. Despite the high accuracy, the present methods have a little ability in predicting seizure. Comparing the current methods indicate accuracy and high efficiency of the present approach.