fa طبقه بندی حمله صرعی در سیگنال EEG با استفاده از سیستم استنتاج عصبی- فازی تطابقی علوم اعصاب Neuroscience پژوهشي(توصیفی- تحلیلی) Research <strong><span style="font-family:nazanin;"><span style="font-size:9.5pt;">پیش‌زمینه و هدف:</span></span></strong> <span style="font-family:nazanin;"><span style="font-size:9.5pt;">بیماری صرع نوعی اختلال مغزی است که در آن سلول‌های عصبی پیام‌های غیرطبیعی دریافت می‌کنند. این بیماری می‌تواند منجر به بروز رفتارها و علائم و احساسات غیرطبیعی ازجمله از بین رفتن هوشیاری شود، که حمله صرعی یا تشنج نامیده می‌شود. </span></span><span style="font-family:nazanin;"><span style="font-size:9.5pt;">تشخیص و طبقه‌بندی </span></span><span style="font-family:nazanin;"><span style="font-size:9.5pt;">سیگنال‌های </span></span><span dir="LTR">EEG</span><span style="font-family:nazanin;"><span style="font-size:9.5pt;"> در زمان‌های تشنج از زمان‌های بدون حمله و بررسی وضعیت بیمار در بازه‌های زمانی شروع تا پایان تشنج حائز اهمیت است.</span></span><br> <strong><span style="font-family:nazanin;"><span style="font-size:9.5pt;">مواد و روش‌ کار</span></span></strong><span style="font-family:nazanin;"><span style="font-size:9.5pt;">: برای این منظور د</span></span><span style="font-family:nazanin;"><span style="font-size:9.5pt;">ر این مقاله از 100 نمونه </span></span><span style="font-family:nazanin;"><span style="font-size:9.5pt;">سیگنال </span></span><span dir="LTR">EEG</span><span style="font-family:nazanin;"><span style="font-size:9.5pt;"> در پنج گروه مختلف که در مرکز صرع در دانشگاه بن آلمان ثبت‌شده، استفاده‌شده است. در این مجموعه، داده‌ها به‌وسیله الکترودهای سطحی برای افراد سالم و برای بیماران به‌وسیله الکترودهای کاشتنی در هیپوکامپو لوب گیجگاهی گرفته‌شده است. در روش ارائه‌شده در این مقاله، از</span></span><span style="font-family:nazanin;"><span style="font-size:9.5pt;"> اطلاعات زمان-فرکانس در پنج طیف اصلی سیگنال </span></span><span dir="LTR">EEG</span><span style="font-family:nazanin;"><span style="font-size:9.5pt;">،</span></span> <span style="font-family:nazanin;"><span style="font-size:9.5pt;">ویژگی‌های آماری استخراج شده است.</span></span><span style="font-family:nazanin;"><span style="font-size:9.5pt;"> پس از </span></span><span style="font-family:nazanin;"><span style="font-size:9.5pt;">کاهش بعد ویژگی‌های آماری، طبقه‌بندی بر پایه شبکه‌های تطابقی با استنتاج فازی (</span></span><span dir="LTR">ANFIS</span><span style="font-family:nazanin;"><span style="font-size:9.5pt;">) انجام شده است.</span></span><br> <strong><span style="font-family:nazanin;"><span style="font-size:9.5pt;">یافته‌ها</span></span></strong>: <span style="font-family:nazanin;"><span style="font-size:9.5pt;">نتیجه حاصل از ترکیب پیشنهادی ما در طبقه‌بندی کننده توانست به خطای نوع اول و دوم طبقه‌بندی به ترتیب صفر و 02/0 درصد دست یابد که بهترین نتیجه نسبت به مقالات پیشین بر روی مجموعه دادگان مشترک بوده است.</span></span><br> <strong><span style="font-family:nazanin;"><span style="font-size:9.5pt;">بحث و نتیجه‌گیری</span></span></strong>: <span style="font-family:nazanin;"><span style="font-size:9.5pt;">طبقه‌بندی سیگنال </span></span><span dir="LTR">EEG</span><span style="font-family:nazanin;"><span style="font-size:9.5pt;"> جهت تشخیص بروز حمله، می‌تواند در تشخیص مواردی که ظهور علائم بالینی مشکوک به تشنج خصوصاً در نوزادان، مؤثر واقع شود.</span></span> <a name="_Toc416081061"><strong><em>Background & Aims: </em></strong></a>Epilepsy is a brain disorder in which nerve cells receive abnormal inputs. This disease can lead to abnormal behaviors, feelings and symptoms such as loss of consciousness, which is called the seizure. Identification and classification of the epileptic seizure events in electroencephalographic signal against free seizure intervals plays an important role in clinical investigations.<br> <strong><em>Materials & Methods: </em></strong>We used five groups of 100 EEG signals recorded at Bon University. EEG time series recorded in surface EEG recordings from healthy volunteers and intracranial EEG from epilepsy patients during the seizure-free interval within and outside the seizure. In the first step, statistical features were extracted from the time-frequency characteristics of EEG signals in five main spectra. Reduced dimension of the statistical features was fed to adaptive neuro fuzzy inference system as a strong classifier.<br> <strong><em>Results: </em></strong>The results obtained in this study improved the accuracy of their pre-published researches. The first and second error in our method has reached zero and 0.02, respectively.<br> <strong><em>Conclusion</em></strong>: This research is an effective way for diagnostic seizure events, specifically once there are suspected clinical symptoms of epileptic such as occurred in newborns. تشنج صرعی, شبکه های تطابقی با استنتاج فازی, موجک ,ویژگی های آماری Adaptive Neuro Fuzzy Inference System, Epileptic seizure, Statistical Features, Wavelet 707 715 http://umj.umsu.ac.ir/browse.php?a_code=A-10-3845-1&slc_lang=fa&sid=1 mahdieh ghasemi مهدیه قاسمی m.ghasemi@neyshabur.ac.ir 3700319475328460022672 3700319475328460022672 Yes University of Neyshabur دانشگاه نیشابور Mahrad puryusef مهراد پوریوسف mahradpuryusef@gmail.com 3700319475328460022673 3700319475328460022673 No university of Neyshabur دانشگاه نیشابور