عنوان پایان‌نامه
به کار گیری مدل فازی-عصبی برای پیش بینی زمان وقوع حمله صرعی بر مبنای سیگنال EEG چند کاناله
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E2036;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 52503;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2036
- تاریخ دفاع
- ۳۰ بهمن ۱۳۹۰
- دانشجو
- امیرحسین انصاری
- استاد راهنما
- بابک نجاراعرابی
- چکیده
- امروزه استفاده از مدل¬سازی و بهره¬گیری از دانش شناخت سیستم، در علوم پزشکی رو به افزایش است. همچنین با رشد سریع سیستم¬های هوشمند و استفاده از آنها برای پیش¬بینی و یا تشخیص بیماری¬ها، این علم به یکی از حوزه¬های کاربردی هوش مصنوعی تبدیل شده¬ است. به علت ارتباطات پیچیده مغزی در بیماری صرع، تحلیل¬های غیر محاسباتی پزشکان منجر به عدم کمک¬رسانی کافی به بیماران می¬شود. از طرفی به علت آشکار شدن حملات این بیماری در سیگنال¬های مغزی، پیش¬بینی و تشخیص این حملات از طریق دانش مهندسی امکان پذیر گشته که در سال¬های اخیر سهم بسزایی از مقالات علمی¬ را در این حوزه به خود اختصاص داده است. در حمله صرعی، علاوه بر آسیب¬های احتمالی که ممکن است بر اثر حمله به بیمار وارد شود؛ از نظر اجتماعی نیز منجر به مشکلات فراوانی می¬شود که بیمار را دچار مشکلات روحی و روانی کرده و موجب کاهش چشمگیری در کیفیت زندگی بیمار خواهد شد. لذا پیش¬بینی حمله صرعی می¬تواند کمک بسزایی در زندگی یک بیمار صرعی به همراه داشته باشد. برای پیش¬بینی حمله صرعی نیاز به استخراج ویژگی¬های مناسب، پیش¬بینی و طبقه¬بندی سیگنال EEG و تشخیص حمله می¬باشد. مدل اصلی استفاده شده در این پایان¬نامه خانواده مدل غیرخطی پویا به صورت فازی – عصبی است که توانایی پیش¬بینی حمله صرعی را با سرعت و خطای قابل قبولی داشته باشدمدل به کارگرفته شده، با استفاده از روش خوشه¬بندی فازی نموی اقدام به تعیین توابع عضویت کرده و با استفاده از توابع غیرخطی LS_SVM رفتار سیستم را مدل می¬کند. این مدل بر روی دادگان 21 بیمار صرعی مرکز بیمارستان فرایبورگ پیاده¬سازی شده است. از آنجا که حملات صرعی به صورت کلینیکی در این پایگاه داده مشخص است، اعتبارسنجی نتایج و مقایسه آن با نظر دکتر صورت پذیرفته و نتایج بدست آمده گزارش شده است و همچنین از نظر دقت پیش¬بینی و زمان محاسباتی با روش¬های اخیر و مشابه مورد ارزیابی و مقایسه قرار گرفته است. نتایج گزارش شده نشان می¬دهد این الگوریتم می¬تواند با سرعت مناسب و دقت مشابهی و همچنین با تعداد کمتری نرون عصبی، حملات صرعی را با افق سه دقیقه پیش¬بینی نماید.
- Abstract
- Nowadays, using system identification and modeling is a common, powerful engineering procedure in medical science researches. Moreover, development of intelligent systems and their application in disorder detection makes system identification one of the main applicable fields of artificial intelligence. In epilepsy that is one of the serious disorders, complex and unknown brain connections make helping the epileptic patients a difficult task for physicians. However, because epileptic seizures are recognizable by brain EEG signals and statistical calculations, seizure prediction and detection are two considerable problems in biomedical engineering; so many scientific publications involve such problems recently. Not only seizures can physically damage epileptic patients, but also they may harm their social personalities and behaviors and decrease their quality of life. Hence, seizure prediction can be a strongly worthwhile subject for studying and spending time and money. Seizure prediction comprises of three main parts: feature extraction, classification, and prediction of EEG signal, and seizure detection. The main model, which is used in this research, is a dynamic non-linear neuro-fuzzy model that can predict epileptic seizures with appropriate accuracy and satisfactory speed. Such method has to model the prediction system in an online process to afford inherent non-stationary characteristic of EEG signal so that the error is not allowed to be accumulated during time. The proposed model utilizes Evolving Fuzzy Clustering Method to determine fuzzy membership functions and Recursive Least Square Support Vector Regression as Takagi-Sugeno output functions. The proposed model has been applied on 21 patients dataset of university of Freiburg for online seizure prediction. Since their actual seizures had been defined by clinical experts, model validation has been reported and its results compared with three similar algorithms. The results show that the proposed method is able to predict seizures in three minutes with appropriate speed, similar accuracy, and fewer numbers of neurons in comparison with the mentioned methods successfully. Keywords: Epileptic Seizure Prediction, Adaptive Models, Online Time Series Prediction, Neuro-Fuzzy Models, Online Classification, Evolving Fuzzy Clustering Method, Least Square Support Vector Regression.
