طبقه بندی و استخراج ویژگی الکتروانسفالوگرام صرعی با استفاده از روش های PCA،ICA،EMD،DWT و SVM

روش‌های هوشمند در صنعت برق

مقاله 2، دوره 9، شماره 36، بهمن 1397، صفحه 15-22   

نوع مقاله: مقاله پژوهشی

نویسندگان

جواد ابراهیم نژاد¹؛ مهکام کاهکش²؛ علیرضا نقش^{* 3}

¹مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- دانشگاه آزاد اسلامی واحد نجف‌آباد دانشجوی دکتری مهندسی برق مخابرات- دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف‌آباد، اصفهان، ایران

²مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- دانشگاه آزاد اسلامی واحد نجف‌آباد دانشجوی دکتری مهندسی برق کنترل - دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف‌آباد، اصفهان، ایران

³مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- دانشگاه آزاد اسلامی واحد نجف‌آباد استادیار- دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف‌آباد، اصفهان، ایران

چکیده

هدف این مقاله طبقه بندی سیگنال های الکتروانسفالوگرام به دو دسته صرعی و سالم می باشد. برای دستیابی به بالاترین دقت، از تکنیک های مختلف استفاده شده است. روش های تبدیل موجک و تجزیه حالت تجربی برای استخراج ویژگی های مورد نظر از این سیگنال ها به کار رفته است. این دو روش از لحاظ تاثیر در فرآیند طبقه بندی با یکدیگر مقایسه شده اند. جهت کاهش ابعاد فضای ویژگی، روش های تحلیل اجزای مستقل و اصلی مورد استفاده قرار گرفته اند. سپس به منظور کاهش اثر نویز بر تحلیل سیگنال الکتروانسفالوگرام، روش نرم کردن اعمال گردید. درنهایت، به کمک طبقه بندی کننده ماشین بردار پشتیبان، داده های موجود طبقه بندی شدند. این مراحل برای مجموعه داده موجود، شامل 5 گروه از سیگنال های الکتروانسفالوگرام تک کانال، آزمایش شد. نتایج، کارایی و دقت بالای روش تجزیه حالت تجربی در استخراج ویژگی و طبقه بندی سیگنال ها را نشان می دهد. براین اساس، دقت و حساسیت به دست آمده از هر دو ترکیب تجزیه حالت تجربی - تحلیل اجزای مستقل و تجزیه حالت تجربی - تحلیل اجزای اصلی، پس از نرم کردن داده ها، به عنوان یک رویکرد جدید در استخراج و طبقه بندی ویژگی ها، 100% می باشد. خروجی این سیستم در کنترل و درمان بیماری کاربرد دارد.

کلیدواژه‌ها

الکتروانسفالوگرام؛ صرع؛ تحلیل اجزای مستقل؛ تحلیل اجزای اصلی؛ تجزیه حالت تجربی

مراجع

[1] M.P. Hosseini, D. Pompili, K. Elisevich, H. Soltanian-Zadeh, "Optimized deep learning for EEG big data and seizure prediction BCI via internet of things", IEEE Trans. on Big Data, Vol. 3, No. 4, pp.392-404, Dec. 2017.

[2] J.A. Chambers, S. Sanei, "EEG signal processing",Vol. 1, No. 1, pp.1-215, Center of Digital Signal Processing Cardiff University, UK: John Wiley & Sons Ltd., 2007.

[3] A. Subasi, M.I. Gursoy, "EEG signal classification using PCA, ICA, LDA and support vector machines",Expert Systems with Applications, Vol. 37, No. 12, pp.8659-8666, Dec. 2010.

[4] B.H. Brinkmann et al., "Forecasting seizures using intracranial EEG measures and SVM in naturally occurring canine epilepsy",PloS one,Vol. 10, No. 8, pp.1-12, Aug. 2015, Available: https://doi.org/10.1371/journal.pone.0133900

[5] Z. Zhang,K.K. Parhi, "Low-complexity seizure prediction from iEEG/sEEG using spectral power and ratios of spectral power",IEEE transactions on biomedical circuits and systems,Vol. 10, No. 3, pp.693-706, Jun. 2016.

[6] N. Wang, M.R. Lyu, "Extracting and selecting distinctive EEG features for efficient epileptic seizure prediction", IEEE Journal of Biomedical and Health Informatics, Vol. 19, No. 5, pp.1648-1659, Sep. 2015.

[7] D. Coyle, G. Prasad, T.M. McGinnity, "Faster self-organizing fuzzy neural network training and a hyperparameter analysis for a brain–computer interface", IEEE Trans. on Systems, Man, and Cybernetics, Part B (Cybernetics), Vol. 39, No. 6, pp.1458-1471, Dec. 2009.

[8] M. Bagheri et al., "A study on the performance of classifiers and extracted features in discriminating EEG patterns of mental activities related to four main directions", Journal of Arak University of Medical Sciences, Vol. 18, No. 12, pp.11-23, Dec. 2016.

[9] A. McDonald et al., "Empirical Mode Decomposition of the atmospheric wave field", Annales Geophysicae,Vol. 25, No. 2, pp.375-384, Mar. 2007.

[10] J.C. Nunes, E. Deléchelle, "Empirical mode decomposition: Applications on signal and image processing", Advances in Adaptive Data Analysis, Vol. 1, No. 1, pp.125-175, Jan. 2009.

[11] A. Bouzalmat, J. Kharroubi, A. Zarghili, "Comparative study of PCA, ICA, LDA using SVM classifier", Journal of Emerging Technologies in Web Intelligence, Vol. 6, No. 1, pp.64-68, Feb. 2014.

[12] R.E. Kass, V. Ventura, C. Cai, "Statistical smoothing of neuronal data", Network Computation in Neural Systems, Vol. 14, No. 1, pp.5-16, Feb. 2003.

[13] K.P. Bennett, C. Campbell, "Support vector machines: hype or hallelujah?", Acm Sigkdd Explorations Newsletter, Vol. 2, No. 2, pp.1-13, Dec. 2000.

[14] R.J. Oweis, E.W. Abdulhay, "Seizure classification in EEG signals utilizing Hilbert-Huang transform", Biomedical engineering online, Vol. 10, No. 1, pp.38, Dec. 2011.

[15] K.D. Tzimourta, L.G. Astrakas, M.G. Tsipouras,"Wavelet based classification of epileptic seizures in EEG signals", IEEE 30th International Symposium on Computer-Based Medical Systems (CBMS), pp.35-39, 2017.

[16] H. LotfaliNejad, R. Keshvari, S. Shabroo, H.Moghaddas, "Comparison of MLP and RBF Neural Network Trends in Diagnosis of Epilepsy", National Conference on Electrical Engineering and Sustainable Development, Mashhad, Khavaran Higher Education Institute, 2013.

[17] M. Behnam, H. Pourghasem, "Epileptic seizure detection based on wavelet transform statistics map and EMD method for hilbert-huang spectral analyzing in gamma frequency band of EEG signals", Journal of Intelligent Procedures in Electrical Technology, Vol. 6, No. 22, pp.23-36, Jan. 2015.

[18] M. Hajian, A. Akbari Foroud, H. Norouzian, "Static voltage stability analysis by using svm and neural network", Journal of Intelligent Procedures in Electrical Technology, Vol. 4, No. 13, pp.3-14, Apr. 2013.