عنوان

پیش‌بینی وقوع صرع به کمک روش‌های یادگیری ماشین

کد کشور

IR

شماره

۳۶۷۹پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

کشور محل نشر

IR

عنوان اصلي

پیش‌بینی وقوع صرع به کمک روش‌های یادگیری ماشین

نام عام مواد

[پایان‌نامه]

عنوان اصلي به زبان ديگر

Epileptic Seizure Prediction Using machine Learning Methods

نام نخستين پديدآور

/آزاده برنده

نام ناشر، پخش کننده و غيره

: مهندسی پزشکی

تاریخ نشرو بخش و غیره

، ۱۳۹۷

نام خاص و کميت اثر

۱۰۸ص.

ساير جزييات

:

متن يادداشت

زبان: فارسی

متن يادداشت

زبان چکیده: فارسی

متن يادداشت

چاپی - الکترونیکی

متن يادداشت

مصور، جدول

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی پزشکی- بیوالکتریک

زمان اعطا مدرک

۱۳۹۷/۱۱/۰۱

کسي که مدرک را اعطا کرده

صنعتی سهند

متن يادداشت

یماری صرع یکی از بیمارهای رایج مغزی و پس از سکته‌مغزی دومین بیماری است که زندگی فردی و اجتماعی فرد را به شدت تحت تاثیر قرار می‌دهد .همچنین این بیماری نرخ شیوع بالایی در دنیا دارد .از این‌رو پیش‌بینی به موقع حمله می‌تواند از بروز بسیاری از مشکلاتی که ممکن است در زندگی روزمره فرد ایجاد شود، جلوگیری کند و فرد بتواند به موقع خود را آماده وقوع حمله کند تا از عواقب و عوارضی که حتی ممکن است برای وی خطرساز باشد، پیش‌گیری کند .ازاین‌رو پژوهش و بررسی در زمینه روش‌های پیش‌بینی حمله ضروری به‌نظر می‌رسد .تحقیق پیش‌رو به بررسی بیماری مذکور و روش‌های پیش‌بینی حمله آن پرداخته و روشی برای پیش‌بینی آن ارائه می‌دهد .هدف این تحقیق، ارائه روشی برای پیش‌بینی این حمله‌ها با استفاده از سیگنال الکتروانسفالوگرام می‌باشد، به‌این‌صورت که دوره زمانی قبل‌ازحمله وبین‌حمله‌ای به‌گونه‌ای از هم تمییز داده شوند، که دارای بهترین عملکرد از نظر حساسیت، زمانی و نرخ پیش‌بینی اشتباه باشد .به‌بیان دیگرمدل پیشنهادی دارای بیشترین حساسیت و کمترین نرخ پیش‌بینی اشتباه باشد و هم‌چنین از نظر زمانی نیز بتوان با فاصله زمانی مناسبی از شروع حمله، آن را پیش‌بینی نمود .در این مطالعه، از ویژگی‌های آماری هم‌چون اسکیونس و کورتوزیس، طیفی از جمله، انتروپی شانون، انتروپی طیفی، همبستگی بین کانال‌ها و همبستگی بین باندهای فرکانسی، ابعاد فرکتال و فاصله انتشار استفاده شده است .به دلیل عدم تعادل بین داده‌های بین‌حمله‌ای و قبل از حمله از روش SMOTE برای ایجاد تعادل بین داده‌ها استفاده شده است .سپس برای ایجاد تمایز بهتر بین دو دسته، به‌دلیل بعد بالای ماتریس ویژگی، از الگوریتم LDA برای کاهش بعد استفاده شده تا سیستم دچار سرریز نشود و بتواند دارای بهترین عملکرد باشد و نتایج قابل اعتمادتر باشند .سپس برای طبقه‌بندی دو کلاس مذکور از روش رگرسیون LASSOGLM مبتنی بر مدل خطی تعمیم‌یافته استفاده شده و با دیگر روش‌های مختلف طبقه‌بندی مورد مقایسه قرار گرفته است .از جمله این طبقه‌بندها می‌توان به انواع طبقه‌بندهای یادگیری ماشین، طبقه‌بند احتمالاتی، خوشه‌بند اشاره کرد .در نهایت نتایج توسط معیارهای و ابزارهای کمی، مورد تحلیل و بررسی قرار گرفته است .الگوریتم پیشنهادی با طبقه‌بندLASSOGLM با ارائه حساسیت ۰/۹۷در افق پیش‌گویی ۲۸ تا ۳۶ دقیقه قبل از حمله و با نرخ پیش‌بینی اشتباه ۰، با سطح زیر منحنی ۰/۹۷ نمودار ROC ، قادر به تشخیص درست حمله‌ها بوده‌است که دارای بالاترین عملکرد در مقایسه با دیگر طبقه‌بندهاست

متن يادداشت

Epilepsy is the second commom brain disorder that effect the persons individual and social life. Italsohasahighprevalencerateintheworld. Hence,apredictiontimeofaseizurecanpreventmanyproblemsthatmayoccurinthedailylifeofanindividual,andpersoncanpreparehim orherselftoseizure,inordertoavoidtheconsequencesthatmayevenbehazardous. Therefore,it seemsnecessarytoinvestigatetheseizurepredictionmethods. Thisstudyexminestheaforementioned disease and its prediction methods of seizure and provides a technique for anticipating it. Themethodsusedtopredicttheepilepticseizurehavebeenbasedontheeegsignaldynamiccharacteristicsandindexesaswellasthestatisticalandspectralproperties. Thepurposeofthisstudyis toprovideamethodtopredicttheseizures,sothatthepreictalandinterictalwillbesepratedsinceit hasthebestperformanceintermsofthefalsepredictionrateandpredictiontime. Sotheproposed methodmusthavemaximumsensitivityandminimumfalsepredictionrate. Alsoitcanpredictthe seizure with long time distance from the onset of seizure. The proposed algorithm, has used the statisticalandspectralpropertiessuchasShannonandspectralentropy,correlationbetweenchannels,correlationbetweenfrequencybands,fractaldimensionanddiffusiondistance. Then,inorder tohavebetterdistinctionbetweentwoclasses,becauseofhighdimensionofthefeaturematrix,an algorithmisusedtoreducethedimensionofthematrixsothatthesystemdoesntoverflowandhas thebestperformanceandtheresultaremorereliable. Thenforclassifyingtwomentionedclasses, different classification methods have been used such as machine learning methods, probabilistic classifier and clustering methods. Finally, the results were analyzed by quantitative criteria and tools,andoptimalsystemdeterminedwithbestperformanceandbesttimeforpredictingseizure. Theproposedalgorithm,canpredicttheseizure40to10minbeforseizureonsetwithaverygood sensitivity and the lowest fpr. This results is related to machine learning algorithm and based on generalizedlinearmodelbyLassoglmandLDA.Attheend,duetolimitationofproposedmethod, suggestionforfutureworkandimprovementofthismodelarepresented

خط فهرستنویسی و خط اصلی شناسه

ba

عنوان اصلي به زبان ديگر

Epileptic Seizure Prediction Using machine Learning Methods

موضوع مستند نشده

روش‌های یادگیری ماشین

موضوع مستند نشده

صرع

موضوع مستند نشده

حمله

موضوع مستند نشده

پیش‌بینی

اصطلاح موضوعی

Epileptic,Seizure,Prediction,Machinelearningmethods

اصطلاح موضوعی

صرع، حمله، پیش‌بینی، روش‌های یادگیری ماشین

مستند نام اشخاص تاييد نشده

برنده، آزاده

مستند نام اشخاص تاييد نشده

شامخی، سینا، استاد راهنما

مستند نام اشخاص تاييد نشده

عباسی، عطااله، استاد راهنما

کشور

ایران

تاريخ عمليات

20230617

شماره بازیابی

پزشکی .م ،۱۰۰۲۲ ،۱۳۹۷

نام ميزبان

ن‌یشام‍ ی‌ریگدای‍ ی‌اهش‌ور ک‌مک‍ ه‌ب‍ ع‌رص‍ ع‌وقو ی‌نیبش‌یپ‍.pdf

شماره دسترسي

عادی

اطلاعات مختصر

عادی

تاريخ و ساعت مذاکره و دسترسي

3679.pdf

تاريخ و ساعت مذاکره و دسترسي

pm10022.pdf

بيت در ثانيه

0

ارتباط براي تسهيلات دسترسي

ایمانی

نوع فرمت الکترونيکي

متن

اندازه فايل

0

شماره کنترل رکورد

پ۳۶۷۹

يادداشت عمومي

فارسی

وضعیت فهرست نویسی

نمایه‌سازی قبلی

فرمت انتشار

pe

نوع ماده

TF

کد کاربرگه

92029

پیشوند ISBD اعمال شده است

1

سطح دسترسي

a

تكميل شده

Y