این بسته شامل 5 پایان نامه در زمینه تشخیص بیماری صرع از روی سیگنال EEG می باشد که به صورت فایل word و pdf در اختیار شما قرار میگیرد.

تمامی پایان نامه ها مربوط به سال 90 به بعد می باشد.

پیش‌بینی زمان وقوع حمله صرع از طریق تجزیه و تحلیل سیگنال EEG

چکیده

صرع یکی از شایع ترین اختلالات عصبی است که معمولا با حملات ناگهانی همراه است. حملات صرعی یا تشنج نشانه هایی گذرا یا علایمی از فعالیت های عصبی غیرنرمال، شدید یا سنکرون در مغز است. حدود 50 میلیون نفر از مردم در سرتاسر جهان بدین بیماری مبتلا هستند. درمان خاصی برای این بیماری وجود ندارد و این بیماری تنها می تواند با استفاده از دارو یا اعمال جراحی در شرایط حاد کنترل شود. برای بیش از25 درصد این بیماران حتی با وجود پیشرفت های گسترده در زمینه های دارویی و پزشکی رسیدن به چنین شرایطی از کنترل بیماری نیز قابل تحقق نیست. صرع در حقیقت نه یک بیماری عصبی که خود مجموعه ای از نشانه ها با علایم و علل گسترده ای است که همه آنها در نهایت به فعالیت های غیرنرمال وشدید الکتریکی در مغز منجر می شوند.وقوع این حملات ناگهانی می تواند باعث قرار گرفتن شخص در موقعیت های خطرناکی شود که حتی زندگی بیمار را به مخاطره اندازند. به خاطر اینکه اختلال در هوشیاری و از دست رفتن ناگهانی کنترل حرکتی اغلب بدون هیچ نوع پیش آگاهی رخ می دهند، توانایی پیش بینی حملات صرعی می تواند باعث کاهش استرس وبهبود کیفیت زندگی و ایمنی بیمار باشد. بیمار با دانستن زمان حمله از قبل حداقل می تواند برای وقوع آن آماده باشد و به طور مثال از قرار گرفتن در موقعیت های خطرناک که زندگی شخص را هم ممکن است به مخاطره اندازند (مانند یک خیابان شلوغ یا استخر) دوری کند. به علاوه پیش آگاهی از زمان وقوع حمله می تواند روش های متنوعی از درمان را نیز امکان پذیر سازد، به عنوان مثال به جای درمان دارویی به صورت پیوسته در درازمدت که باعث اثرات جانبی عصبی و درکی می شوند، درمان می تواند تنها به زمان های لازم وضروری که احتمال رخداد حمله وجود دارد کاهش یابند.روشهای آنالیز سری زمانی مربوط به تئوری دینامیک غیر خطی و آشوب در بررسی سریهای زمانی سیگنالهای حیاتی کاربرد گسترده ای دارند. پیش بینی حمله صرع با اعمال روشهای آنالیز سری زمانی به داده های EEG ‌ثبت شده از بیماران مبتلا به صرع از جمله این کاربردها می باشد.سیستمهایی نیز با مونیتورینگ دایم سیگنال می توانند قبل از اینکه حمله ای رخ دهد با اعمال برخی روشهای پیشگیری از حمله مانند تحریکات الکتریکی یا درمان دارویی مانع وقوع آن شوند. سیستم پردازش سیگنال ارائه شده در این پایان نامه از چندین بخش مجزا تشکیل شده است. پس از انجام پیش پردازش های اولیه مانند حذف نویز موجود بر روی سیگنال، نخستین مرحله سیستم مذکور پنجره گذاری سیگنال است. مرحله بعد اعمال مولفه آنالیز اساسی (PCA) به سیگنال پنجره گذاری شده می باشد. PCA جهت انتخاب بهترین راستا از لحاظ انرژی استفاده می شود. سپس به منظور بررسی ویژگیهای غیرخطی و آشوبگونه در باندهای مختلف سیگنال بعد از اعمال PCA در این پروژه از تجزیه ی موجک استفاده شده است مرحله بعدی که از اهمیت بسزایی برخوردار است بخش استخراج ویژگی ها می باشد. لذا در این پایان نامه با مطرح کردن چهار ویژگی آشوبگونه ShanEn , LogEn , Petrosian and Higuchi fractal dimension و استخراج ویژگی ها از سیگنال بدست آمده می پردازیم ودر نهایت الگوریتم جدیدی را جهت پیش بینی اتوماتیک بر روی 50 ثبت از پایگاه داده EEG فرایبورگ پیشنهاد خواهیم داد.

عنوان صفحه
فصل اول – مقدمه 4
1-1-مقدمه 4
1-2-هدف از انجام پروژه 6
1-3-ساختار پایان نامه 6
فصل دوم – صرع و حملات صرعی 9
2-1- مقدمه 9
2-2- تعاریف 9
2-3- صرع وانواع حملات صرعی 10
2-4- صرع بزرگ 12
2-5- صرع کوچک 13
2-6- صرع کانونی 14
2-7- چگونگی تشخیص و کنترل صرع 14
فصل سوم – سیگنال EEG وکاربردهای آن 17
3-1- مقدمه 17
3-2- تاریخچه الکتروانسفالوگرافی 17
3-3- منشا سیگنال 19
3-4- نویزها وARTIFACT های موثر برEEG 22
3-5- ساختار مغز 25
3-6- بررسی پتانسیل های مغزی در حوزه فرکانس(ریتمهای مغزی) 27
3-6-1 – باند دلتا 27
3-6-2- باند تتا 28
3-6-3 – باند آلفا 28
3-6-4- باند بتا 28
3-6-5- باند گاما 29
3-6-6- ریتم میو 29
3-7- ثبت سیگنال EEG 30
3-8- نحوه الکترود گذاری و استاندارد 10-20 30
3-9- قوانین نامگذاری الکترودها 31
3-10- نحوه ثبت سیگنال از الکترودهای نصب شده 34
3-11- ‏کاربرد سیگنال EEG ‏در تشخیص حمله صرع 35
فصل چهارم – پردازش سیگنا ل هایEEG مرتبط با حمله صرعی 38
4-1-مقدمه 38
4-2-رویکردهای کلی در پردازش سیگنال EEG مرتبط با صرع 39
4-2-1-آشکار سازی حملات صرعی 39
4-2-2-طبقه بندی 39
4-2-3- پیش بینی حملات صرعی 40
4-3- مفاهیم مورد استفاده در پیش بینی حملات صرعی از روی سیگنال EEG 40
4-3-1- بازه غیر صرعی : 41
4-3-2- بازه پیش صرعی : 41
4-3-3- بازه صرعی 41
4-3-4- بازه پس صرعی: 41
4-4-معیارهای کمی ارزیابی روش های پیش بینی حملات صرعی 44
4-4-1- نحوه مقایسه و ارزیابی سیستم های پیش بینی کننده حمله صرع 44
4-4-2- تعاریف اولیه 45
4-4-3- ملاحظات کلینیکی 48
فصل پنجم – بررسی اجمالی مقالات انجام شده 51
5-1- بررسی اجمالی مقالات انجام شده 52
5-1-1- تاریخچه ای از جمع آوری مقالات 52
5-2- مقایسه مقالات با یکدیگر 52
فصل ششم – استخراج ویژگی ها و معرفی ابزارهای کاربردی 63
6-1- مقدمه 63
6-2- مشخصات داده های بکار گرفته شده 64
6-3- پیش پردازش سیگنال EEG 65
6-4- تعیین مناسب ترین طول پنجره 66
6-5- تحلیل مولفه آنالیز اساسی 66
6-6- تفکیک باندهایEEG با استفاده از فیلتر بانک موجک 68
6-7- ویژگیهای خطی 71
6-7-1- ویژگیهای حوزه زمان 72
6-7-2- ویژگیهای فرکانسی 73
6-8- ویژگیهای غیرخطی و آشوبگونه 73
6-8-1- بعد فرکتال 74
به عبارت دیگربعد فرکتال اشاره به بعد کسری و یا غیر صحیح یک جسم هندسی دارد. این بعد یک معیار نسبی از تعداد بلوکهای ساختاری تشکیل دهنده یک الگو است. دو روش عمده برای محاسبه بعد فرکتال وجود دارد. 75
6-8-2- آنتروپی 77
فصل هفتم – بکارگیری ویژگی ها در بررسی امکان پیش بینی وقوع حمله صرع و نتیجه گیری حاصل از انجام پروژه 81
7-1- مقدمه 81
7-2- روند انجام پروژه 81
7-3- تعیین آستانه برای پیش بینی حمله صرع 83
7-4- الگوریتم پیشنهادی 83
7-5- بررسی نتایج بدست آمده 92
فصل هشتم – جمع بندی مطالب و پیشنهادات 97
8-1- جمع بندی 97
8-2- پیشنهادات 97
مراجع 98

تشخیص اتوماتیک صرع با استفاده از تحلیل زمان- فرکانس EEG

چکیده

صرع نوعی اختلال در عملکرد مغز است که به صورت ناگهانی،کنترل نشده و نا منظم در یک بخش، یا تمام سیستم عصبی مرکزی رخ می‌دهد. حملات صرعی به اختلالات شدید و تکرار شونده‌ی مغزی گفته میشودکه علامت مشخصه‌ی بیماری صرع می‌باشد. با تجزیه و تحلیل سیگنال EEG درک بالایی از مکانیزم‌هایی که موجب اختلالات مغزی می‌شود بدست می‌آید. در موارد حاد که بیمار نیاز به جراحی دارد باید کانون صرع در مغز مشخص شود. تشخیص حمله در روش سنتی، برمبنای مقایسه نوار مغزی(EEG) فرد بیمار با یک سری الگو های از پیش تعیین شده، توسط پزشک است. در این روش متخصص باید ساعت‌ها به بررسی نوار مغزی بیمار بپردازدکه بسیار طاقت فرسا است. گاهی تا چند روز ممکن است حمله‌ رخ ندهد. بنابر این نیاز به یک روش اتوماتیک کاملا احساس می‌شود.پایگاه داده‌ای که در این پایان نامه استفاده شده، شامل سه دسته سیگنال می‌باشد که عبارتند از:1- سیگنال های EEG افراد سالم. 2- سیگنال های EEGافراد مبتلا به بیماری در شرایط عادی و به دور از حمله.3- سیگنال‌های EEG افراد مبتلا در شرایط حمله هدف اصلی در این پایان نامه، آنالیز سیگنال EEG و استخراج ویژگی‌هایی است که بتواند سه دسته سیگنال را از هم تفکیک کند. به دلیل غیر ایستا بودن سیگنال EEG پردازش زمان- فرکانس برای نمایش و استخراج ویژگی بسیارکارآمد است، در حالی که سایر رو‌ش‌های پردازش سیگنال عملکرد ضعیف‌تری دارند. در این پایان نامه یک روش نو برای تحلیل سیگنال EEG با استفاده از پردازش زمان- فرکانس و طبقه بندی با استفاده از شبکه‌ی عصبی MLP و SVM معرفی شده است. سیگنال EEG با استفاده از توزیع زمان- فرکانس تحلیل شده سپس، چندین ویژگی‌ که میانگین فرکانس لحظه‌ای، چگونگی توزیع انرژی در صفحه‌ی زمان- فرکانس و تغییرات انرژی با زمان را نشان می‌دهد استخراج شده است. این ویژگی‌ها برای آموزش شبکه‌ی عصبی MLP و SVM ‌استفاده می‌شود. چندین توزیع زمان- فرکانس و اثر پنجره‌های زمانی مختلف بررسی شده‌است. روش ارائه شده با استفاده از پایگاه داده‌ای که در دسترس عموم است ارزیابی شده است و نتایج رضایت بخشی (با دقت کل 100%) بدست آمده است.

فهرست مطالب أ‌
کوتاه نوشت‌ها خ‌
فهرست نشانه ها د‌
1- فصل اول : مقدمه 2
1-1- مقدمه 2
1-2- بیماری صرع 2
1-3- انواع آشکارساز حمله 3
1-3-1- کاربرد آشکارساز آغاز حمله 3
1-3-2- کاربرد آشکارساز رخداد حمله 4
1-4- روشهای پیشین آشکارسازی حمله 4
1-5- روشهای پیشین آشکارسازی حمله با استفاده از EEG 5
1-5-1- روشهای حوزه¬ی زمان 5
1-5-2- روشهای حوزه¬ی فرکانس 9
1-5-3- روش مبتنی بر تحلیل زمان- فرکانس 10
1-5-4- روش¬های ترکیبی 12
1-6- روش ها و اهداف انجام این تحقیق 12
1-7- ساختار این پایان‌نامه 13
1-8- نوآوری های این تحقیق 13
1-9- مقالات 14
2- فصل دوم : مشخصات سیگنال EEG 16
2-1- مقدمه 16
2-2- عصب شناسی (neurophysiology) 16
2-3- روش ثبت سیگنال 18
2-4- ویژگی های EEG افراد بالغ 20
عنوان صفحه
2-4-1- پس زمینه¬ی عادی 20
2-4-2- پس زمینه¬ی غیرعادی 21
2-4-3- خواص EEG در هنگام حمله 22
2-4-4- چرا آشکارسازی حمله دشوار است؟ 24
2-5- جمع بندی 25
3- فصل سوم : پردازش و آنالیز سیگنال زمان- فرکانس 27
3-1- مقدمه 27
3-2- دلایل نیاز به توزیع زمان- فرکانس 27
3-2-1- نمایشی از سه سیگنال واقعی 27
3-2-2- نمایش در حوزه ی زمان 28
3-2-3- نمایش در حوزه ی فرکانس 29
3-2-4- نمایش زمان- فرکانس توام 29
3-2-5- خواص مفید توزیع زمان- فرکانس 30
3-3- کاربردهای توزیع زمان- فرکانس 32
3-4- فرمول بندی ها و خصوصیات سیگنال در حوزه ی 32
3-4-1- مدل های سیگنال استفاده شده در روش های 32
3-4-2- سیگنال های تحلیلی 33
3-4-3- تبدیل هیلبرت ; وابسته ی تحلیلی 33
3-4-4- فرکانس لحظه ای و تاخیر زمانی (TD) 34
3-5- انواع TFDها 36
3-5-1- توزیع ویگنر (WD) 36
3-5-2- TFD توانی 37
3-5-3- توزیع ویگنر- ویل(WVD) 38
3-5-4- طیف نگاشت 44
3-5-5- توزیع ریهازک (RD) 45
3-5-6- توزیع لوین (LD) 45
3-5-7- تابع ابهام (AF) 46
عنوان صفحه
3-5-8- توزیع چوی-ویلیامز (CWD) 48
3-5-9- توزیع B 48
3-6- جمع بندی 50
4- فصل چهارم : تشریح الگوریتم پیشنهادی برای استخراج و دسته بندی ویژگی ها 52
4-1- مقدمه 52
4-2- پایگاه داده 52
4-3- توضیح مختصر توزیع¬های توانی مورد استفاده در این پایان نامه 53
4-4- روش استخراج ویژگی و طبقه بندی (الگوریتم) 54
4-4-1- پنجره گذاری زمانی 55
4-4-2- آنالیز زمان- فرکانس 55
4-4-3- استخراج ویژگی از TFDs 57
4-4-4- آنالیز آماری وانتخاب ویژگی های مناسب 62
4-4-5- طبقه بندی ویژگی های استخراج شده در این پایان نامه 64
4-5- نتایج طبقه بندی 71
4-5-1- نتایج به دست آمده بدون در نظر گرفتن بار محاسباتی با هدف بیشترین دقت 71
4-5-2- نتایج به دست آمده با در نظر گرفتن بار محاسباتی 76
4-6- جمع بندی 77
5- فصل پنجم : جمع بندی و پیشنهاد 79
5-1- مقدمه 79
5-2- خلاصه ی پایان‌نامه و جمع بندی 79
5-3- پیشنهادات 80
مراجع 81

تحلیل سیگنال های الکتریکی مغز (EEG) جهت پیش بینی شروع تشنج صرع

چکیده

صرع یک اختلال شدید در سیستم عصبی مرکزی است که فرد را مستعد تشنج های مکرر می کند. تشنج، ناهنجاری موقتی در فعالیت الکتریکی مغز است که علائم فیزیکی مختل کننده ای همچون وقفه در حافظه و هوشیاری، اختلال حواس یا لرزش تمام بدن را به دنبال دارد. در این راستا، سیستم خودکاری که بتواند شروع تشنج را تشخیص یا پیش بینی کند، امری ضروری به نظر می رسد. این پایان نامه، الگوریتمی جهت آشکارسازی شروع تشنج صرع مبتنی بر تحلیل سیگنال های الکتریکی مغز (EEG) به تنهایی یا با ترکیب سیگنال های الکتریکی قلب و مغز ارائه می دهد. الگوریتم پیشنهادی با انتخاب ویژگی های موثر از سیگنال های تشنج و غیر تشنج هر فرد و طبقه بندی آن ها در دو کلاس، شروع تشنج را به طور سریع و با حساسیت بالا تشخیص می دهد. در این الگوریتم، ایپاک های L ثانیه ای از سیگنال ها با اعمال تبدیل ویولت به صورت یک تنسور مرتبه سه در فضای مکانی، طیفی و زمانی نمایش داده می شوند. سپس با اعمال آنالیز تفکیک کننده تنسور عام (GTDA) بر روی تنسورها و محاسبه ماتریس نگاشت، بردارهای ویژگی استخراج می گردند. GTDA، اطلاعات تفکیک شده از سیگنالهای EEG را بدون حذف اطلاعات در مقادیر موثر ذخیره می کند که یک مزیت نسبت به روش های رایج همچون PCA است و موجب افزایش حساسیت الگوریتم می گردد. سر انجام از طبقه بند نزدیک ترین همسایگی (KNN) جهت طبقه بندی ویژگی های انتخابی، استفاده می شود. نتایج شبیه سازی الگوریتم بر روی مجموعه داده های استاندارد EEG نشان داد که الگوریتم قادر است 98 درصد از تشنج ها را با میانگین تاخیر 7/4 ثانیه و نرخ خطای آشکارسازی متوسط، سه خطا در هر 24 ساعت، تشخیص دهد.

تشخیص حملات صرع با استفاده از تخمین طیف سیگنال EEG

چکیده

در این پایان‌نامه یک روش جدید با استفاده از تخمین طیف مبتنی بر بردارهای ویژه و شبکه عصبی برای شناسایی حملات صرع معرفی شده است. در این روش سیگنال های EEG به سه دسته ذیل تقسیم‌بندی می‌شوند: (1) سیگنال شخص سالم (Healthy) (2) سیگنال شخص مبتلا به صرع در غیاب حمله (Inter-ictal) (3)سیگنال شخص مبتلا به صرع حین حمله (Ictal). روش ارایه شده شامل دو نوع الگوریتم است. در الگوریتم اول، طیف سیگنال EEG با استفاده از تکنیک‌های پیوسته تخمین طیف از جمله MUSIC و Eigenvector به دست آمده و سپس به زیر باندهای فرکانسی کوچکتری تقسیم می شوند. سپس ویژگی هایی از جمله بیشینه، بی‌نظمی، میانگین، انحراف معیار و ضریب تحرک از زیر باندهای طیف سیگنال به دست آمده، استخراج می شوند و با افزودن انحراف معیار سیگنال اصلی و ضریب پیچیدگی کل طیف، برداری موسوم به بردار ویژگی‌ها تشکیل می‌شود. از بردار ویژگی فوق، به عنوان ورودی شبکه عصبی پرسپترون چند لایه(MLP) و شبکه عصبی احتمالی RBF، برای دسته‌‌بندی داده و در نهایت متمایز نمودن سه گروه یاد شده استفاده شده است. نتایج به دست آمده با روش‌ فوق نشان می دهد که با استفاده از این روش هر سه گروه سیگنال Healthy، Interictal و Ictal با دقت 97/5 درصد و واریانس 4/2 درصد از یکدیگر متمایز می شوند. در الگوریتم دوم از تکنیک‌های گسسته تخمین طیف از جمله Root-MUSIC و Root-EV برای تخمین فرکانس‌های غالب سیگنال EEG استفاده شده است و فرکانس‌های غالب به دست آمده به همراه انحراف معیار، بی‌‌نظمی و ضریب پیچیدگی حوزه زمان سیگنال، بردار ویژگی را تشکیل می‌دهد. بردار ویژگی فوق سپس با یک شبکه عصبی مثل MLP و RBF به سه گروه ذکرشده، دسته‌بندی شده است. نتایج به دست آمده با این روش نیز دقت 94/53 درصدی با پراکندگی کمتر از 1 درصد را نشان می‌دهد. علاوه بر این تعداد و سادگی ویژگی‌های انتخاب شده در این روش استفاده از آن را برای کاربردهای بی‌درنگ مناسب‌تر می سازد. در مقایسه با روش های دیگر، روش‌های ارائه شده در این پایان‌نامه، سیگنالهای EEG حامل نویز ناشی از تکان‌های ماهیچه‌ای، تداخل با سایر فعالیت‌های مغزی و تداخل سایر امواج موجود و … را با دقت بالاتر و ضریب خطای کمتری تفکیک نموده و متمایز می‌کند و در نتیجه دستیابی به تشخیص بهتر این بیماری مزمن و فراگیر را فراهم می‌سازد.

فصل اول: مقدمه
1-1- اهميت موضوع 1
1-2- بيماري صرع 3
1-2-1- انواع حملات صرع 5
1-3- سيگنال‌هاي مغزي به عنوان مهمترين ابزار تشخيص صرع 7
1-3-1- روش‌هاي ثبت سيگنال EEG 9
1-3-2- ويژگي‌هاي سيگنال EEG 10
1-3-2-1-فرکانس پايه 11
1-3-2-2-دامنه سيگنال 11
1-3-2-3-ريخت‌شناسي سيگنال 12
1-3-2-4-محلي بودن سيگنال 13
1-3-2-5-تحريک‌‌پذيري 14
1-3-3- فعاليت عادي EEG 14
1-3-3-1-ريتم (Alpha) 14
1-3-3-2-ريتم (Beta) 15
1-3-3-3-ريتم (Theta) 15
1-3-3-4-ريتم (Delta) 15
1-3-3-5-ريتم (Mu) 16
1-3-3-6-موجهاي Lambda 16
1-3-4- فعاليت EEG غيرعادي 16
1-3-4-1-شکل موج‌هاي سوزني‌شکل و تيز 17
1-3-4-2-دشارژهاي متناوب 18
1-3-4-3-ريتم فوق‌هماهنگ 18
1-3-4-4-عدم فعاليت مغزي 19
1-3-5- ويژگي‌هاي EEG در زمان حمله 19
1-3-6- نويزهاي مختلف در سيگنال EEG 20
عنوان صفحه
1-3-6-1-نويز‌هاي فيزيولوژيکي 20
1-3-7- نويزهاي غير فيزيولوژيکي 23
1-4- هدف تحقيق 23
1-5- نتايج تحقيق 24
1-6- ساختار پايان‌نامه 24
فصل دوم: تحقيقات صورت گرفته در تشخيص حملات صرع
2-1- انواع تحقيقات صورت گرفته روي بيماري صرع 28
2-2- چشم‌انداز تاريخي تشخيص حملات صرع 29
2-2-1- تشخيص شروع حمله 33
2-2-2- پيشگويي حملات راهي دراز و پرپيچ و خم 34
2-3- جمع‌بندي 39
فصل سوم: الگوريتم ارايه شده و روشهاي تخمين طيف
3-1- مدلسازي سيگنال بر اساس هارمونيکها 42
3-2- الگوريتم MUSIC 47
3-3- الگوريتم EV 49
3-4- الگوريتم Root-MUSIC 50
3-5- الگوريتم Root-EV 51
3-6- روش‌هاي انتخاب پارامتر 51
3-7- الگوريتم کلي به کار رفته در تحليل سيگنال 54
3-7-1- پيش‌پردازش سيگنال 56
3-7-2- طراحي فضاي ويژگي‌ها 58
3-7-2-1-نرمال کردن ويژگي‌ها 59
3-7-3- روش اول: استفاده از الگوريتمهاي پيوسته تخمين طيف 59
3-7-4- روش دوم: استفاده از الگوريتمهاي گسسته تخمين طيف 60
3-7-5- دستهبندي 61
3-7-5-1-شبکه عصبي پرسپترون چندلايه (MLP) 62
3-7-5-2-شبکه عصبي Radial Basis Function 65

عنوان صفحه
فصل چهارم: آزمايش‌هاي صورت گرفته و تحليل نتايج
4-1- اصطلاحات به کار برده شده در تحليل آزمون‌ها 68
4-2- داده مورد استفاده 70
4-3- اعتبارسنجي 73
4-4- نتايج به دست آمده با روش اول (روش‌هاي تخمين طيف پيوسته) 73
4-4-1- نمونه‌اي از شبه طيف هر يک از حالات صرع 74
4-4-2- انتخاب پارامتر تخمين طيف (تعداد هارمونيک‌ها) 75
4-4-3- بررسي پارامترهاي شبکه عصبي 79
4-4-4- بررسي پارامترهاي شبکه عصبي احتمالي 82
4-4-5- تاثير ويژگي‌هاي مختلف در هر يک از حالات صرع 83
4-4-6- ارزيابي ويژگي‌هاي طيفي 84
4-4-7- ارزيابي ويژگي‌هاي حوزه زمان 86
4-4-8- نتايج نهايي به دست آمده از ويژگي‌هاي حوزه زمان و فرکانس 87
4-4-9- نتايج نهايي به دست آمده با روش‌هاي MUSIC و EV 88
4-5- نتايج به دست آمده با روش دوم (روش‌هاي تخمين طيف گسسته) 89
4-5-1- انتخاب پارامتر تخمين طيف (تعداد هارمونيک‌ها) 90
4-5-2- بررسي پارامترهاي شبکه عصبي پرسپترون 93
4-5-3- بررسي پارامترهاي شبکه عصبي احتمالي 95
4-5-4- نتايج نهايي به دست آمده 98
4-6- تاثير نويز روي نتايج تحليل 99
4-7- جمع‌بندي 101
فصل پنجم: جمع‌بندي و پيشنهادات
5-1- مقايسه با ديگران 105
5-2- پيشنهادات براي آينده 106
منابع و مآخذ 107

تحلیل سیگنال‌های مغزی (EEG) به منظور تشخیص شروع تشنج صرع به روش نیمه نظارتی

چکیده

صرع یک اختلال عصبی است که بیماران مبتلا به آن از حملات مغزی تکرار شونده رنج می برند. در واقع تکرار حملات نشان دهنده یک اشکال پایدار در قسمتی از مغز است. تقریبا 1% مردم دنیا به این بیماری مبتلا هستند و با وجود روش‌های درمانی مختلف، بیشتر از 25% افراد مبتلا، در معرض حملات غیرقابل کنترل هستند. پیش بینی و تشخیص وقوع حمله در بیماران صرعی تاثیر زیادی در کاهش صدمات برای بیمار و یا حتی جلوگیری از وقوع حمله را دارد. به منظور پیش بینی و تشخیص حمله، بهترین راهکار استفاده از سیگنال مغزی EEG می‌باشد.در این پژوهش از دیتاست استاندارد دانشگاه بن آلمان که شامل سیگنال‌های سالم و سیگنال‌های صرعی است، استفاده شده است. در سیستم پیشنهادی ابتدا ویژگی‌های سیگنال، شامل: ماکزیمم فرکانس، انحراف معیار، میانگین و قدرت طیفی حاصل از تجزیه موجک استخراج می‌شوند. سپس ویژگی‌های برتر از میان این ویژگی‌ها توسط سیستم ایمنی مصنوعی انتخاب شده و با استفاده از روش‌های یادگیری نیمه نظارتی و شبکه عصبی مصنوعی چندلایه به عنوان طبقه بند، وقوع حملات یا عدم وقوع آن‌ها تعیین می‌گردد.در این تحقیق به منظور انتخاب ویژگی‌های برتر از بین بردار ویژگی‌ها برای اولین بار از الگوریتم انتخاب کلونال ایمنی مصنوعی استفاده شده است. در واقع نشان داده شد که می‌توان از ذات بهینه سازی این الگوریتم به منظور یافتن بهترین ویژگی‌ها استفاده نمود.استفاده از روش نیمه نظارتی برای مواردی که داده‌های بدون برچسب با تعداد زیاد و داده‌های برچسب دار اندکی در دسترس است، مناسب می‌باشد. مقایسه عملکرد دو طبقه بند نیمه نظارتی و باناظر نشان می‌دهد که با ویژگی‌های استخراج شده، طبقه بند نیمه نظارتی با استفاده از شبکه عصبی مصنوعی دارای حساسیت99/04 درصد و دقت 97/03 درصد می‌باشد.

فصل اول : مقدمه
1-1-مقدمه 2
1-2- انواع الگوریتم های آشکارسازی صرع 3
1-2-1- کاربردهای آشکارسازی شروع تشنج 3
1-2-2- کاربردهای آشکارسازی وقوع تشنج 4
1-3- هدف پژوهش 5
1-4- ساختار پایان نامه 7
فصل دوم: مفاهیم پایه ای و پیشینه تحقیق
2-1- مقدمه 9
2-2- تعریف سیگنال 9
2-3- مشخصات سيگنال‌هاي زيستي 9
2-4- روش‌هاي ثبت سيگنال EEG 11
2-5- مراحل پردازش سیگنال EEG 12
2-6- مروری بر پژوهش های انجام شده 13
2-6-1- آشکارسازهای وقوع تشنج 20
2-6-2- آشکارسازهای شروع تشنج 21
2-7- شرح کامل الگوریتم آشکارسازی شروع صرع شعیب 23
2-7-1- استخراج ویژگی‌های طیفی و مکانی 23
2-7-2- طبقه‌بندی بردار ویژگی 27

فصل سوم: معرفی روش پیشنهادی
3-1- مقدمه 30
3-2- معرفی روش پیشنهادی 30
3-3- دادههای استفاده شده در این پژوهش 31
3-4- پنجره بندی سیگنال 32
3-5- پیش پردازش 34
3-6- تعیین مشخصه های سیگنال 36
3-6-1- تاریخچهرسیدن به تبدیل موجک 36
3-6-2- تجزیه موجک 38
3-6-3- تبدیل موجک گسسته در این پژوهش 40
3-7- استخراج ویژگی 42
3-7-1- استخراج ویژگی‌ها در روش پیشنهادی 44
3-8- انتخاب ویژگی‌های برتر 45
3-8-1- روش سیستم ایمنی مصنوعی 46
3-8-2- روش P-value 52
3-9- طبقه‌بندی سیگنال‌های سالم و بیمار 55
3-9-1- شبکه عصبی مصنوعی 56
3-9-1-1- شبکه‌هاي عصبی پرسپترون 56
3-9-1-2- شبکه‌هاي پرسپترون چند لایه 58
3-9-1-3- قانون یادگیری پس انتشار خطا 59
3-9-1-4- شبکه عصبی استفاده شده در این پژوهش 61
3-9-2- روش طبقه‌بندی نیمه نظارتی 63
فصل چهارم: ارزیابی
4-1- مقدمه 69
4-2- نحوه اندازه‌گیری‌های آماری نتایج 70
4-3- نحوه پیاده سازی روش پیشنهادی 71
4-4- طبقه بندی بردار ویژگی بدون مرحله انتخاب ویژگی 72
4-4-1- طبقه بندی با شبکه عصبی مصنوعی 73
4-4-2- طبقه بندی با روش خود آموزشی 74
4-4-3- مقایسه نتایج حاصل از دو طبقه بند 75
4-5- طبقه بندی بردار ویژگی با مرحله انتخاب ویژگی 76
4-5-1- انتخاب ویژگی با الگوریتم انتخاب کلونال 76
4-5-2- آزمایش هایی برای یافتن بهترین سایز برای بردار ویژگی با الگوریتم انتخاب کلونال 77
4-5-3- انتخاب ویژگی با P-value 78
4-5-4- آزمایش‌هایی برای یافتن بهترین سایز برای بردار ویژگی با P-value 80
4-5-6- مقایسه نتایج دو روش انتخاب ویژگی انتخاب کلونال و P-value 81
4-6- طبقه بندی بهترین بردار ویژگی بدست آمده 81
4-6-1- طبقه بندی با شبکه عصبی 82
4-6-2- طبقه بندی با روش خود آموزشی 83
4-6- 3- مقایسه نتایج حاصل از دو طبقه بند 84
4-7- مقایسه روش پیشنهادی با سایر مطالعات 85
4-8- بحث و نتیجه گیری 88

فصل پنجم: نتیجه گیری و کارهای آینده
5-1- مقدمه 90
5-2- روند انجام پژوهش 90
5-3- ویژگي‌های روش پيشنهادی 91
5-4- توسعه های آتي 93

فهرست مراجع 94

————————————————————————————————————————————–

برای دریافت فایل بر روی لینک زیر کلیک نمایید.

تومان39,000 تومان29,000افزودن به سبد خرید

————————————————————————————————————————————–