تشخیص تشنج صرعی در EEG ها با استفاده از تحلیل فرکانس زمان

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تشخیص تشنج صرعی در EEG ها با استفاده از تحلیل فرکانس زمان

عنوان لاتین

Epileptic Seizure Detection in EEGs Using Time–Frequency Analysis

تشخیص فعالیت تشنج ناشی از صرع در بخش های EEG برای تشخیص و طبقه بندی تشنج های صرعی بسیار مهم است. با این حال، از آنجا که تکامل تشنج معمولا یک فرایند پویا است و سیگنال ها از فرکانس های مختلف تشکیل شده است، روش های مبتنی بر فرکانس بصری و متعارف کاربرد محدودی دارند. در این مقاله، شبیه سازی تجزیه و تحلیل فرکانس زمان (t-f) برای طبقه بندی بخش های EEG برای تشنج های صرعی نشان داده شده است، و ما چندین روش برای تجزیه و تحلیل EEG های t-f را مقایسه می کنیم. تبدیل کوتاه فوریه و چندین توزیع t-f برای محاسبه تراکم طیف قدرت (PSD) هر قطعه استفاده می شود. تجزیه و تحلیل در سه مرحله انجام می شود: 1) تجزیه و تحلیل t-f و محاسبه PSD هر بخش EEG؛ 2) استخراج ویژگی، اندازه گیری انرژی کسر بخش سیگنال در برخی از پنجره های T-F خاص. و 3) طبقه بندی بخش EEG (وجود تشنج صرعی یا نه) با استفاده از شبکه های عصبی مصنوعی. این روش ها با استفاده از سه طبقه بندی مشکلات به دست آمده از مجموعه داده های EEG معیار ارزیابی شده و نتایج کیفی و کمی ارائه شده است.

The detection of recorded epileptic seizure activity in EEG segments is crucial for the localization and classification of epileptic seizures. However, since seizure evolution is typically a dynamic and nonstationary process and the signals are composed of multiple frequencies, visual and conventional frequency-based methods have limited application. In this paper, we demonstrate the suitability of the time–frequency (t-f) analysis to classify EEG segments for epileptic seizures, and we compare several methods for t-f analysis of EEGs. Short-time Fourier transform and several t-f distributions are used to calculate the power spectrum density (PSD) of each segment. The analysis is performed in three stages: 1) t-f analysis and calculation of the PSD of each EEG segment; 2) feature extraction, measuring the signal segment fractional energy on specific t-f windows; and 3) classification of the EEG segment (existence of epileptic seizure or not), using artificial neural networks. The methods are evaluated using three classification problems obtained from a benchmark EEG dataset, and qualitative and quantitative results are presented.