نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

2 گروه مهندسی پزشکی دانشکده برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

3 گروه مکانیک، دانشکده مکانیک، دانشگاه تبریز، تبریز، ایران

10.22041/ijbme.2020.123628.1581

چکیده

استفاده از روشی هوشمند برای تشخیص خودکار مراحل مختلف بیماری صرعی در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه‌وتحلیل داده‌های صرع از طریق بازرسی بصری، یکی از چالش‌های مهم در سال‌های اخیر محسوب می‌شود. یکی از مشکلات شناسایی خودکار مراحل مختلف بیماری صرعی، استخراج ویژگی‌های مطلوب است؛ به‌گونه‌ای که این ویژگی‌ها بتوانند بیشترین تمایز را بین مراحل مختلف صرعی ایجاد نمایند. فرآیند یافتن ویژگی‌های مناسب، عموماً امری زمان‌بر است. این پژوهش، رویکرد جدیدی را برای شناسایی خودکار مراحل مختلف صرعی ارائه می‌دهد. در این مقاله، از دسته‌بندی مبتنی بر نمایش تنک سیگنال (SRC) به همراه یادگیری دیکشنری آموزش‌دیده برای شناسایی خودکار مراحل مختلف بیماری صرعی با استفاده از سیگنال EEG استفاده می‌شود. روش پیشنهادی در 8 سناریو از 9 سناریو ارائه‌شده، به صحت، حساسیت و اختصاصیت 100% می‌رسد. همچنین، الگوریتم پیشنهادی در برابر نویز گوسی تا سطح 0 دسی‌بل مقاوم است. نتایج حاصل‌شده نشان می‌دهد که استفاده از الگوریتم پیشنهادی برای شناسایی مراحل مختلف صرعی، درصد موفقیت بالاتری نسبت به سایر روش‌های مشابه را دارا است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Automatic Identification of Epileptic Seizures from EEG Signals based on Dictionary Learning

نویسندگان [English]

  • tohid Yousefi Rezaii 1
  • sobhan sheykhivand 2
  • zohreh mousavi 3

1 Biomedical Engineering Department, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran

2 Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran

3 Department of Mechanical Engineering, University of Tabriz, Tabriz, Iran,

چکیده [English]

Using a smart method to automatically detect different stages of epilepsy in medical applications, to reduce the workload of physicians in analyzing epilepsy data by visual inspection is one of the major challenges in recent years. One of the problems of automatic identification of different stages of epilepsy is extraction of desirable features so that these features can make the most distinction between different stages of epilepsy. The process of finding the proper features is generally time consuming. This study presents a new approach for the automatic identification of different epileptic stages. In this paper, a sparse represantion-based classification (SRC) with proposed dictionary learning is used to automatically identify the different stages of epilepsy using the EEG signal. The proposed method achieves 100% accuracy, sensitivity, and specificity in 8 out of 9 scenarios. Also, the proposed algorithm is resistant to Gaussian noise up to 0 decibels. The results show that using the proposed algorithm to identify different epileptic stages has a higher success rate than other similar methods.

کلیدواژه‌ها [English]

  • EEG
  • Epilepsy
  • Seizure
  • Sparse Representation-based Classification
  • Dictionary Learning