TY - JOUR ID - 43356 TI - شناسایی خودکار حالت‌های مختلف بیماری صرع از سیگنال EEG بر اساس یادگیری دیکشنری JO - نشریه‌ی علمی مهندسی پزشکی زیستی JA - IJBME LA - fa SN - 5869-2008 AU - شیخی‌وند, سبحان AU - موسوی, زهره AU - یوسفی رضایی, توحید AD - دانشجوی دکتری، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران AD - دانشجوی دکتری، گروه مهندسی مکانیک، دانشکده‌ی مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران AD - دانشیار، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران Y1 - 2020 PY - 2020 VL - 14 IS - 3 SP - 209 EP - 220 KW - الکتروانسفالوگرام KW - صرع KW - دسته‌بندی مبتنی بر نمایش تنک (SRC) KW - یادگیری دیکشنری DO - 10.22041/ijbme.2020.123628.1581 N2 - استفاده از یک روش هوشمند برای تشخیص خودکار مراحل مختلف بیماری صرع در کاربردهای پزشکی جهت کاهش حجم کار پزشکان در تجزیه و تحلیل داده‌های صرع از طریق بازرسی بصری یکی از چالش‌های مهم در سال‌های اخیر بوده است. یکی از مشکلات شناسایی خودکار مراحل مختلف بیماری صرع، استخراج ویژگی‌های مطلوبی است که بتوانند بیش‌ترین تمایز را میان مراحل مختلف صرع ایجاد نمایند. فرایند یافتن ویژگی‌های مناسب عموما امری زمان‌بر است. در این پژوهش رویکرد جدیدی برای شناسایی خودکار مراحل مختلف صرع ارائه شده است. در این مقاله از دسته‌بندی مبتنی بر نمایش تنک سیگنال (SRC) به همراه یادگیری دیکشنری آموزش دیده برای شناسایی خودکار مراحل مختلف بیماری صرع با استفاده از سیگنال EEG استفاده شده است. روش پیشنهادی در 8 سناریو از 9 سناریوی ارائه شده به صحت، حساسیت و اختصاصیت 100% دست یافته و هم‌چنین در برابر نویز گوسی تا سطح صفر دسی­بل مقاوم می‌باشد. نتایج به دست آمده نشان می‌دهد که استفاده از الگوریتم پیشنهادی برای شناسایی مراحل مختلف صرع موفقیت بیش‌تری نسبت به سایر روش‌های مشابه دارد. UR - https://www.ijbme.org/article_43356.html L1 - https://www.ijbme.org/article_43356_15fc3bbfa067863a1cdf181dfcf558ef.pdf ER -