عنوان پایان‌نامه
پـیش بیـنی وقوع حملات صرعی با استفاده از مدل عصبی-فازی
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 47676;کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1843
- تاریخ دفاع
- ۳۰ بهمن ۱۳۸۹
- دانشجو
- حسین سلیمانی بجستانی
- چکیده
- حملات ناگهانی و بعضا غیر‌قابل کنترل در بیماران مبتلا به صرع مشکلات فراوانی را در زندگی آنها ایجاد می‌کند. پیش‌بینی زمان وقوع این حملات به عنوان ابزاری برای جلوگیری از وقوع حمله و یا هشداری برای بیماران می‌تواند نقش بسزایی در ارتقای سطح زندگی آنها داشته باشد. روش‌های موجود برای پیش‌بینی حملات صرعی غالبا محدود به سیستم‌های ساده‌ای است که قابلیت یادگیری تطبیقی نداشته و تنها براساس یادگیری برخی ویژگی‌های سیگنال EEG پیش از وقوع حملات (پیش‌نشانگر حملات)، عمل می‌کنند. اما با توجه به غیرایستابودن سیگنال EEG، رفتار متغیر با زمان پیش‌نشانگر‌ها و حتی وابستگی آنها به بیماران مختلف، تنها سیستمی دارای کاربرد عملی است که قادر به یادگیری تطبیقی در طول زمان باشد. در این پایان‌نامه یک مدل عصبی-فازی تکاملی با قابلیت یادگیری تطبیقی برای پیش‌بینی صرع ارائه شده است. در مدل ارائه‌شده برخلاف روش‌های مرسوم که ناحیه‌ی اعتبار نورون‌ها با استفاده از خوشه‌های کروی تعیین می‌شود، از توسعه‌ای بازگشتی از الگوریتم خوشه‌یابی گات-جاوا استفاده می‌شود که قادر به تشکیل خوشه‌های بیضوی نیز می‌باشد. در این مدل تعداد نورون‌ها و پارامترهای آنها نیز به صورت برخط تعیین می‌شوند. همچنین با استفاده از روش‌های بازگشتی حجم محاسبات مورد‌نیاز کاهش یافته تا کارایی مدل برای کاربردهای برخط افزایش یابد. کاربرد این مدل در چند مساله‌ی مدلسازی نمونه نشان از برتری آن بر سایر روش‌ها از نظر دقت مدلسازی و تعداد نورون‌های مورد نیاز دارد. در ادامه، مدل ارائه‌شده برای پیش‌بینی تطبیقی صرع در ?? بیمار دانشگاه فرایبورگ و یک موش آزمایشگاهی به‌کار گرفته شده است. در هر مورد پیش‌بینی‌کننده ابتدا از یک نورون خطی آغاز شده و به‌تدریج با یادگیری الگوهای مختلف گسترش می‌یابد. نتایج شبیه‌سازی‌ها نشان از دقت بالای پیش‌بینی و برتری این روش نسبت به سایر روش‌های مرسوم دارد. همچنین نشان داده شده است که روش ارائه‌شده قوام زیادی نسبت به پارامترهای مدل داشته و می‌تواند به عنوان پایه‌ای برای تحقیقات به سوی پیش‌بینی‌کننده‌ی عملی صرع قرار گیرد.
- Abstract
- Unexpected and uncontrolled epileptic seizures cause severe problems in everyday life of patients. Prediction of seizure onset time can considerably improve patients’ life by giving advanced warning to patients or improving efficiency of automatic seizure intervention devices. Most of the seizure prediction methods are offline and non-adaptive approaches that predict seizures by detecting variations of seizure precursors. But due to time varying nature of epileptic patterns and brain dynamics, any practical implantable seizure predictor should have an online tuning strategy to adapt to changes of the seizure precursors. In this project, an evolving neuro-fuzzy model has been proposed for adaptive prediction of seizures. Unlike previous online methods which use spherical clusters for defining validity region of neurons, the proposed learning model is based on a recursive extension of Gath-Geva clustering algorithm which is capable of constructing elliptical clusters as well. Number of neurons and their parameters are also determined based on some online strategies. Moreover, recursive formulas have been proposed for fast computation of the inverse and determinant of covariance matrices and improving speed of the learning algorithm. The proposed model has been used for adaptive seizure prediction in 21 patients of university of Freiburg and long-term EEG recordings of an epileptic rat. The predictor starts out with a simple linear neuron and then grows into a personal seizure predictor by adaptively learning pre-seizure patterns. Simulation results show that seizure prediction is improved with the proposed method as compared to other approaches. Moreover, it is shown that the method is robust with respect to those few model parameters that are not adapted.
