۱۱۳۳۹پ
per
طراحی و پیاده سازی سیستم تشخیص زودرس تشنجات صرعی با استفاده از سیگنال های الکتروکاردیوگرافی روی یک FPGA
/سیده فاطمه اسحقی
: دانشکده مهندسی برق و کامپیوتر
۹۶ص
چاپی
کارشناسی ارشد
در رشته‌ی مهندسی برق الکترونیک
۱۳۹۲/۰۶/۲۵
تبریز
صرع یکی از شایع‌صترین عارضه‌صهای مغزی است که از هر ده نفر یکی در طول زندگی خود حداقل یک‌ص بار دچار تشنج صرعی شده و یک سوم این تشنج‌صها بیماری صرع را ایجاد می‌صکند .هم اکنون در سرتاسر جهان نزدیک به ۵۰ میلیون بیمار مبتلا به صرع وجود دارد .دستیابی به الگوریتم‌صهای تشخیص قابل اطمینان در زمینه‌صی صرع شناسی و طراحی و پیاده‌صسازی سخت‌صافزارهای الکترونیکی در این زمینه یکی از اهداف بزرگ در جهت کمک به بیماران و پزشکان می‌صباشد .برای کاهش صدمات وقوع تشنج، پیش‌صبینی و یا تشخیص شروع صرع از طریق پردازش سیگناصل‌صهای دریافتی از بدن بیمار برای آلارم یا فعال‌صسازی سیستمی دیگر بهترین راه حل علم الکترونیک و سایر علوم مربوط می‌صباشد .در این پروژه به منظور تشخیص با دقت بالا، ابتدا سیستم نرم-افزاری طراحی گردید که پس از دریافت سیگنال قلبی از بدن موش‌صهای صحرایی که به صورت ژنتیکی به صرع ابسنس مبتلا بودند، ویژگی‌صهایی را از سیگنال دریافتی استخراج و طبقه‌صبند-های مختلف جهت طبقه‌صبندی ویژگی‌صهای حالت نرمال و حالت تشنجی اعمال گردید .نتایج تشخیص هر یک مورد بررسی قرار گرفت .در نهایت بهترین حالت از لحاظ کم هزینه بودن، پیاده‌صسازی سخت‌صافزاری و بالا بودن قدرت تشخیص جهت پیاده‌صسازی سیستم سخت‌صافزاری انتخاب گردید .در قسمت پیاده‌صسازی نرم‌صافزاری، کم‌صترین درصد صحت تشخیص برای طبقه‌صبندی کننده‌صهای مختلف برابر ۷۱ بود که در مقایسه با کارهای دیگر عملکرد بسیار مناسبی برای این نوع صرع محسوب می-شود .همچنین در پیاده‌صسازی عملی پس از بهینه‌صسازی قسمت‌صهای مختلف، کمتر از ۲۰ حجم FPGA به کار برده شد و کمترین درصد صحت تشخیص نیز مشابه حالت نرم‌صافزاری برابر ۷۰ بدست آمد
Epilepsy is one of the most prevalent brain disorders that one of every ten persons experiences epileptic seizures in his life time and one third of these seizures cause epilepsy. There are about 50 million epileptic patients worldwide. Achieving reliable algorithms in epileptology and design of hardware in this field is one of the most important aims to help patients and physicians. For the reduction of seizure injuries, prediction or seizure onset detection by processing of receiving signals recorded from patients bodies to alarm or drive other systems is one of the best solutions. In this project, for high accuracy detection, a software routine has been designed in which after receiving cardiac signals from rat bodies (genetic models of absence epilepsy), some feature have been extracted from the signal and different classifiers have been used to distinguish normal and seizure feature vectors. Detection results of them have been investigated. Finally, the best routine by considering cost of hardware implementation and power dissipation of detection system has been chosen for implementation. For software implementation, minimum percent of accuracy was 71 for different kinds of classifiers, which comparing to other studies this is a very appropriate for the special kind of epilepsy. In addition, for hardware implementations after optimizing various segments, less than 20 of FPGA has been utilized and minimum percent of detection accuracy was 70 analogous to software implementation
اسحقی، سیده فاطمه
فرونچی، جواد، استاد راهنما
شهابی، پرویز، استاد مشاور
سیاه و سفید
نمایه‌سازی قبلی
