• صفحه اصلی
  • رویکرد جدید در تشخیص بیماری صرع مبتنی بر الگوریتم عنکبوت اجتماعی و الگوریتم ماشین بردار پشتیبان

اشتراک گذاری

آدرس مقاله


کد مقاله : 140310271196716 بازدید : 35 صفحه: 13 - 22

10.82526/jcdsa.2025.1196716

نوع مقاله: پژوهشی

رویکرد جدید در تشخیص بیماری صرع مبتنی بر الگوریتم عنکبوت اجتماعی و الگوریتم ماشین بردار پشتیبان

محورهای موضوعی : مهندسی کامپیوتر و فناوری اطلاعات

بهرام دهقان 1 *

1 - Department of Electrical Engineering, Sarvestan Branch, Islamic Azad University, Sarvestan, Iran

تاریخ دریافت : 1403/10/27 تاریخ پذیرش : 1404/03/02 تاریخ انتشار : 1404/03/31

کلید واژه: تشخیص بیماری صرع, انتخاب ویژگی¬ها, سیگنال¬های الکتروانسفالوگرام, الگوریتم بهینه سازی عنکبوت اجتماعی,

چکیده مقاله :

بیماری صرع را می­توان به عنوان تشنج­های عُودکننده ناشی از تخلیه الکتریسته ناگهانی بر روی یک گروه از سلول­های مغزی انسان تعریف کرد. سیگنال­های الکتروانسفالوگرام (EEG) نقش بسیار مهمی در تشخیص این بیماری ایفا می­کند. ثبت سیگنال­های EEG که توسط دستگاه­های ثبت سیار ضبط می­شوند، اطلاعاتی با طول بسیار بالا تولید می­کنند که تشخیص ناحیه صرعی، نیازمند مدت زمان طولانی برای تحلیل کل اطلاعات توسط شخص متخصص می­باشد. به­دلیل خسته کننده بودن روش­های سنتی تحلیل، در سال­های اخیر تعداد بسیار زیادی سیستم اتوماتیک برای تشخیص صرع به­وجود آمده است. در این مقاله، رویکرد جدیدی مبتنی بر الگوریتم عنکبوت اجتماعی ارائه شده است. در ابتدا سیگنال EEG براساس تبدیل موجک گسسته تجزیه می­شود. سپس، 132 ویژگی آماری، آنتروپی و ویژگی­های آشوب استخراج می شوند و بهترین ویژگی­ها توسط الگوریتم عنکبوت اجتماعی با تابع هدف پیشنهادی انتخاب می­شوند. در نهایت، ویژگی­های انتخابی با استفاده از الگوریتم ماشین بردار پشتیبان جهت طبقه­بندی سیگنال­های EEG تشنج و غیرتشنج استفاده می­شود. نتایج شبیه­سازی نشان می­دهد که روش پیشنهادی بر روی مجموعه داده­های سیگنال EEG دانشگاه بُن به صحت و حساسیّت خوبی برخوردار است و این روش می­تواند به طور مؤثر به پزشکان در تشخیص صرع کمک کند، بنابراین بارکاری آنها کاهش می­یابد.

چکیده انگلیسی:

Epilepsy can be defined as recurrent seizures caused by sudden electrical discharges in a group of human brain cells. Electroencephalogram (EEG) signals play a very important role in the diagnosis of this disease. EEG signal recordings, which are recorded by portable recording devices, produce very long data, and the detection of the epileptic zone requires a long time for the analysis of all the data by a specialist. Traditional analysis methods are tedious, so in recent years, a large number of automatic systems for epilepsy diagnosis have emerged. In this paper, a new approach based on the social spider optimization algorithm (SSO) is presented. First, the EEG signal is decomposed based on the discrete wavelet transform. Then, 132 statistical features, entropy and chaos features are extracted, and then the best features are selected by the SSO with the proposed objective function. Finally, the selected features are used to classify seizure and non-seizure EEG signals by support vector machine algorithm. Simulation results show that the proposed method has good accuracy and sensitivity on Bonn university dataset, and this method can effectively help doctors in diagnosing epilepsy, thus reducing their workload.

منابع و مأخذ:

[1] S. Mekruksavanich, W. Phaphan, and A. Jitpattanakul, "Epileptic seizure detection in EEG signals via an enhanced hybrid CNN with an integrated attention mechanism," Mathematical Biosciences and Engineering, vol. 22, no. 1, pp. 73-105, 2025, DOI: 10.3934/mbe.2025004
[2] M. Pouryosef, R. Abedini-Nassab, and S. M. R. Akrami, "A novel framework for epileptic seizure detection using electroencephalogram signals based on the bat feature selection algorithm," Neuroscience, vol. 541, pp. 35-49, 2024, DOI: 10.1016/j.neuroscience.2024.01.014
[3] X. Qiu, F. Yan, and H. Liu, "A difference attention ResNet-LSTM network for epileptic seizure detection using EEG signal," Biomedical Signal Processing and Control, vol. 83, p. 104652, 2023, DOI: 10.1016/j.bspc.2023.104652
[4] M. Shen, P. Wen, B. Song, and Y. Li, "An EEG based real-time epilepsy seizure detection approach using discrete wavelet transform and machine learning methods," Biomedical Signal Processing and Control, vol. 77, p. 103820, 2022, DOI: 10.1016/j.bspc.2022.103820
[5] J. Zhang, S. Zheng, W. Chen, G. Du, Q. Fu, and H. Jiang, "A scheme combining feature fusion and hybrid deep learning models for epileptic seizure detection and prediction," Scientific Reports, vol. 14, no. 1, p. 16916, 2024, DOI: 10.1038/s41598-024-67855-4
[6] H. Ocak, "Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy," Expert Systems with Applications, vol. 36, no. 2, pp. 2027-2036, 2009, DOI: 10.1016/j.eswa.2007.12.065
[7] S. Jain, V. V. Gupta, A. S. Bist, M. Joshi, and A. Garg, "Automated Epileptic Seizure Detection of EEG Signals Using Machine Learning," in International Conference on Cognitive Computing and Cyber Physical Systems, 2025: Springer, pp. 349-357. DOI: 10.1007/978-981-97-7371-8_27
[8] G. Yogarajan et al., "EEG-based epileptic seizure detection using binary dragonfly algorithm and deep neural network," Scientific Reports, vol. 13, no. 1, p. 17710, 2023. DOI: 10.1038/s41598-023-44318-w
[9] M. Omidvar, A. Zahedi, and H. Bakhshi, "EEG signal processing for epilepsy seizure detection using 5-level Db4 discrete wavelet transform, GA-based feature selection and ANN/SVM classifiers," Journal of ambient intelligence and humanized computing, vol. 12, no. 11, pp. 10395-10403, 2021. DOI: 10.1007/s12652-020-02837-8.
[10] M. P. Kantipudi, N. P. Kumar, R. Aluvalu, S. Selvarajan, and K. Kotecha, "An improved GBSO-TAENN-based EEG signal classification model for epileptic seizure detection," Scientific Reports, vol. 14, no. 1, p. 843, 2024. DOI: 10.1038/s41598-024-51337-8
[11] U. R. Acharya, F. Molinari, S. V. Sree, S. Chattopadhyay, K.-H. Ng, and J. S. Suri, "Automated diagnosis of epileptic EEG using entropies," Biomedical Signal Processing and Control, vol. 7, no. 4, pp. 401-408, 2012. DOI: 10.1016/j.bspc.2011.07.007
[12] D. S. T. Behara, A. Kumar, P. Swami, B. K. Panigrahi, and T. K. Gandhi, "Detection of epileptic seizure patterns in EEG through fragmented feature extraction," in 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom), 2016: IEEE, pp. 2539-2542. DOI:10.1109/INDIACom.2016.7563001
[13] Z. Zhang and K. K. Parhi, "Seizure prediction using long-term fragmented intracranial canine and human EEG recordings," in 2016 50th Asilomar Conference on Signals, Systems and Computers, 2016: IEEE, pp. 361-365. DOI: 10.1109/ACSSC.2016.7869060
[14] N. D. Truong, A. D. Nguyen, L. Kuhlmann, M. R. Bonyadi, J. Yang, and O. Kavehei, "A generalised seizure prediction with convolutional neural networks for intracranial and scalp electroencephalogram data analysis," arXiv preprint arXiv:1707.01976, 2017. DOI: 10.48550/arXiv.1707.01976
[15] M. Niknazar, S. Mousavi, B. V. Vahdat, and M. Sayyah,"A new framework based on recurrence quantification analysis for epileptic seizure detection," IEEE journal of biomedical and health informatics, vol. 17, no. 3, pp. 572-578, 2013. DOI:10.1109/JBHI.2013.2255132
[16] N. Sadati, H. R. Mohseni, and A. Maghsoudi, "Epileptic seizure detection using neural fuzzy networks," in 2006 IEEE international conference on fuzzy systems, 2006: IEEE, pp. 596-600, DOI: 10.1109/FUZZY.2006.1681772
[17] U. Orhan, M. Hekim, and M. Ozer, "EEG signals classification using the K-means clustering and a multilayer perceptron neural network model," Expert Systems with Applications, vol. 38, no. 10, pp. 13475-13481, 2011. DOI: 10.1016/j.eswa.2011.04.149
[18] A. R. Naghsh-Nilchi and M. Aghashahi, "Epilepsy seizure detection using eigen-system spectral estimation and Multiple Layer Perceptron neural network," Biomedical Signal Processing and Control, vol. 5, no. 2, pp. 147-157, 2010. DOI: 10.1016/j.bspc.2010.01.004
[19] H. Ocak, "Optimal classification of epileptic seizures in EEG using wavelet analysis and genetic algorithm," Signal processing, vol. 88, no. 7, pp. 1858-1867, 2008.
DOI: 10.1016/j.sigpro.2008.01.026
[20] A. Jain and D. Zongker, "Feature selection: Evaluation, application, and small sample performance," IEEE transactions on pattern analysis and machine intelligence, vol. 19, no. 2, pp. 153-158, 1997. DOI: 10.1109/34.574797
[21] S. Mousavi, M. Niknazar, and B. V. Vahdat, "Epileptic seizure detection using AR model on EEG signals," in 2008 Cairo International Biomedical Engineering Conference, 2008: IEEE, pp. 1-4. DOI:10.1109/CIBEC.2008.4786067
[22] L. Wang et al., "Automatic epileptic seizure detection in EEG signals using multi-domain feature extraction and nonlinear analysis," Entropy, vol. 19, no. 6, p. 222, 2017.
DOI: 10.3390/e19060222
[23] A. Hamad, E. H. Houssein, A. E. Hassanien, and A. A. Fahmy, "A hybrid EEG signals classification approach based on grey wolf optimizer enhanced SVMs for epileptic detection," in Proceedings of the international conference on advanced intelligent systems and informatics 2017, 2018: Springer, pp. 108-117. DOI: 10.1007/978-3-319-64861-3_10
[24] Z. Hossein-Nejad and M. Nasri, "Epileptic Seizure Detection based on Statistical and Wavelet Features and Siamese Network," in 2023 14th International Conference on Information and Knowledge Technology (IKT), 2023: IEEE, pp. 201-205. DOI:10.1109/IKT62039.2023.10433025
[25] P. Mallik, A. K. Nayak, S. K. Mohapatra, and K. Swain, "Effectiveness of SOSA, FFA and GOA Algorithms for Epileptic Seizure Detection Using DWT and SVM," in Computing, Communication and Intelligence: CRC Press, 2025, pp. 52-56. DOI:10.1201/9781003581215-11
[26] Z. Hossein, "Social Spider Optimization Algorithm in Multimodal Medical Image Registration," Journal of Optimization of Soft Computing (JOSC), vol. 1, no. 1, pp. 23-30, 2023. https://www.researchgate.net/publication/375279624
[27] A. Luque-Chang, E. Cuevas, F. Fausto, D. Zaldívar, and M. Pérez, "Social spider optimization algorithm: modifications, applications, and perspectives," Mathematical Problems in Engineering, vol. 2018, no. 1, p. 6843923, 2018. DOI: 10.1155/2018/6843923
[28] R. Vijay and V. Priya, "Anti-islanding protection of distributed generation based on social spider optimization technique," International Journal of Advanced Engineering Research and Science, vol. 4, no. 6, p. 237193, 2017. DOI: 10.22161/ijaers.4.6.5
[29] U. R. Acharya et al., "Characterization of focal EEG signals: a review," Future Generation Computer Systems, vol. 91, pp. 290-299, 2019. DOI: 10.1016/j.future.2018.08.044
[30] P. Boonyakitanont, A. Lek-Uthai, K. Chomtho, and J. Songsiri, "A review of feature extraction and performance evaluation in epileptic seizure detection using EEG," Biomedical Signal Processing and Control, vol. 57, p. 101702, 2020. DOI: 10.1016/j.bspc.2019.101702
[31] M. Ahmad, M. Saeed, S. Saleem, and A. M. Kamboh, "Seizure detection using EEG: A survey of different techniques," in 2016 International Conference on Emerging Technologies (ICET), 2016: IEEE, pp. 1-6.
DOI:10.1109/ICET.2016.7813209
[32] E. Cuevas, M. Cienfuegos, D. Zaldívar, and M. Pérez-Cisneros, "A swarm optimization algorithm inspired in the behavior of the social-spider," Expert Systems with Applications, vol. 40, no. 16, pp. 6374-6384, 2013. DOI: 10.1016/j.eswa.2013.05.041
[33] E. Cuevas and M. Cienfuegos, "A new algorithm inspired in the behavior of the social-spider for constrained optimization," Expert Systems with Applications, vol. 41, no. 2, pp. 412-425, 2014. DOI: 10.1016/j.eswa.2013.07.067
[34] C. J. Burges, "A tutorial on support vector machines for pattern recognition," Data mining and knowledge discovery, vol. 2, no. 2, pp. 121-167, 1998. doi: 10.1023/A:1009715923555
[35] M. K. Siddiqui, R. Morales-Menendez, X. Huang, and N. Hussain, "A review of epileptic seizure detection using machine learning classifiers," Brain informatics, vol. 7, no. 1, p. 5, 2020. DOI:10.1186/s40708-020-00105-1
[36] R. G. Andrzejak, K. Lehnertz, F. Mormann, C. Rieke, P. David, and C. E. Elger, "Indications of nonlinear deterministic and finite-dimensional structures in time series of brain electrical activity: Dependence on recording region and brain state," Physical Review E, vol. 64, no. 6, p. 061907, 2001. DOI: 10.1103/PhysRevE.64.061907
[37] T. Zhang, W. Chen, and M. Li, "Generalized Stockwell transform and SVD-based epileptic seizure detection in EEG using random forest," Biocybernetics and Biomedical Engineering, vol. 38, no. 3, pp. 519-534, 2018.
DOI:10.1016/j.bbe.2018.03.007
[38] M. Mahmud, M. S. Kaiser, A. Hussain, and S. Vassanelli, "Applications of deep learning and reinforcement learning to biological data," IEEE transactions on neural networks and learning systems, vol. 29, no. 6, pp. 2063-2079, 2018. DOI: 10.1109/TNNLS.2018.2790388
[39] E. Aydemir, T. Tuncer, and S. Dogan, "A Tunable-Q wavelet transform and quadruple symmetric pattern based EEG signal classification method," Medical hypotheses, vol. 134, p. 109519, 2020. DOI: 10.1016/j.mehy.2019.109519
[40] T. Iloon, R. Barati, and H. Azad, "A New Approach in Epilepsy Diagnosis using Discrete Wavelet Transformation and Analysis of Variance," Signal Processing and Renewable Energy, vol. 7, no. 3, pp. 1-11, 2023. https://oiccpress.com/spre/article/view/7894
[41]ف. قره‌داغی س. مشگینی, "تشخیص حمله‌های صرعی از روی ضرایب موجک با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی انبوه ذرات (PSO)," هوش محاسباتی در مهندسی برق, vol. 10, no. 3, pp. 11-24, 2019, doi: 10.22108/isee.2019.116284.1207.
متن کامل:
مجله تحلیل مدارها، داده ها و سامانه ها

A new Approach to Epilepsy Diagnosis based on the Social Spider Algorithm …/ Dehghan

img0A new Approach to Epilepsy Diagnosis based on the Social Spider Algorithm and the Support Vector Machine

Bahram Dehghan1*

1 Department of Electrical Engineering, Sarvestan Branch, Islamic Azad University, Sarvestan, Iran

Bahramdehghan1@gmail.com

Abstract: Epilepsy can be defined as recurrent seizures caused by sudden electrical discharges in a group of human brain cells. Electroencephalogram (EEG) signals play a very important role in the diagnosis of this disease. EEG signal recordings, which are recorded by portable recording devices, produce very long data, and the detection of the epileptic zone requires a long time for the analysis of all the data by a specialist. Traditional analysis methods are tedious, so in recent years, a large number of automatic systems for epilepsy diagnosis have emerged. In this paper, a new approach based on the social spider optimization algorithm (SSO) is presented. First, the EEG signal is decomposed based on the discrete wavelet transform. Then, 132 statistical features, entropy and chaos features are extracted, and then the best features are selected by the SSO with the proposed objective function. Finally, the selected features are used to classify seizure and non-seizure EEG signals by support vector machine algorithm. Simulation results show that the proposed method has good accuracy and sensitivity on Bonn university dataset, and this method can effectively help doctors in diagnosing epilepsy, thus reducing their workload.

Keywords: Epileptic Seizure Detection, Features Selection, Electroencephalogram Signals, Social Spider Optimization algorithm.

JCDSA, Vol. 3, No. 1, Spring 2025

Online ISSN: 2981-1295

Journal Homepage: https://sanad.iau.ir/en/Journal/jcdsa

Received: 2025-01-16

Accepted: 2025-05-23

Published: 2025-06-21

CITATION

Dehghan, B., " A new Approach to Epilepsy Diagnosis based on the Social Spider Algorithm and the Support Vector Machine", Journal of Circuits, Data and Systems Analysis (JCDSA), Vol. 3, No. 1, pp. 13-22, 2025.

DOI: 10.82526/jcdsa.2025.1196716

COPYRIGHTS

 

Creative Commons Licenses Open Access - Linköping University

©2025 by the authors. Published by the Islamic Azad University Shiraz Branch. This article is an open-access article distributed under the terms and conditions of the Creative Commons Attribution 4.0 International (CC BY 4.0)

https://creativecommons.org/licenses/by/4.0

 

* Corresponding author

 

Extended Abstract

1-       Introduction

Epilepsy is a chronic neurological disorder characterized by sudden, uncontrolled seizures and unpredictable patient behaviors. Accurate and timely diagnosis of epilepsy is essential for initiating antiepileptic drug therapy and reducing disease risk. Currently, epilepsy diagnosis relies on neurological examinations and auxiliary tests such as brain imaging and EEG, with EEG maintaining its position as the most widely used diagnostic approach. However, visual analysis of electroencephalogram (EEG) for epilepsy detection remains highly costly, time-consuming, and prone to errors. Therefore, it is crucial to develop an automated computer-aided diagnostic system to detect epileptic states from EEG signals automatically. Such a system would significantly assist specialists in achieving accurate and efficient diagnosis. Although extensive research has been conducted on epilepsy detection, challenges remain regarding the number of extracted features, which significantly impacts diagnostic accuracy. In this paper, EEG signals are first decomposed using the discrete wavelet transform (DWT) algorithm. Subsequently, 132 features including statistical, entropy, and chaos based features are extracted from the EEG signals to ensure comprehensive signal representation. To prevent overfitting and extract meaningful information, the social spider optimization (SSO) metaheuristic algorithm and a proposed objective function are employed for optimal feature selection. Finally, a support vector machine (SVM) classifier is implemented for EEG signal classification and epilepsy detection.

2-       Methodology

This section outlines the theoretical framework of our proposed method for epilepsy detection. The diagnostic process, as illustrated in the accompanying flowchart, follows a structured sequence beginning with data preprocessing and segmentation, followed by discrete wavelet transform analysis. The methodology proceeds with comprehensive feature extraction encompassing statistical parameters, entropy measures, and chaos-based characteristics. Subsequent stages involve optimal feature selection through the social spider optimization metaheuristic algorithm, culminating in classification using a support vector machine architecture. The following discussion provides detailed technical specifications for each component of this systematic detection framework.

This paper uses the EEG database from the University of Bonn, Germany. The database consists of five groups (Z, O, N, F, S), each containing 100 EEG signal samples with a duration of 23.6 seconds and a sampling rate of 173.61 Hz. These signals belong to subjects aged between 6 and 43 years, and artifacts such as muscle movements and eye movements have been removed from these signals. Groups Z and O contain samples from healthy (non-epileptic) individuals with eyes open and eyes closed, respectively. Groups N and F include samples from patients during interictal periods (between epileptic seizures). Group S consists of samples from patients during actual epileptic seizures. The database provides a standardized dataset with clean EEG signals that clearly differentiate between healthy states and various epileptic conditions, making it suitable for epilepsy detection research. The consistent sampling rate and recording duration across all samples allow for reliable comparative analysis of different epileptic states and normal brain activity.

3-       Results and discussion

This section begins by examining the evaluation criteria for epilepsy detection methods before introducing the dataset employed in this study. The discussion then proceeds to present the experimental outcomes of our proposed detection approach, including comparative analyses with existing conventional methods. All computational experiments were implemented and executed using MATLAB software on a standard personal computer configuration.

The first experiment investigates the impact of varying EEG signal window sizes (4096, 2048, 1024, and 512 samples) on seizure detection performance. Results demonstrate that classification accuracy, sensitivity, and specificity all improve with increasing window length. Notably, the proposed model maintains acceptable performance even with shorter window sizes (512 samples), indicating its robustness across different signal durations.

The second experiment compares the proposed method with recent state-of-the-art approaches. Tabulated results show superior performance of our method in key classification metrics, confirming its effectiveness for epileptic seizure detection.

4-       Conclusion

This paper presents a novel automated epilepsy detection system. The proposed methodology involves several key stages: First, noise removal and segmentation are performed on the raw EEG signals. The signals then undergo decomposition using discrete wavelet transform (DWT). Subsequently, 165 distinct features are extracted from both the raw and decomposed EEG signals. Since feature selection critically impacts epilepsy detection accuracy, the system employs an innovative approach combining the social spider optimization (SSO) metaheuristic algorithm with a custom objective function to identify the most discriminative features. Finally, a support vector machine (SVM) classifier distinguishes between ictal (seizure) and interictal (non-seizure) EEG patterns.

The developed system offers clinicians an efficient tool for rapid epilepsy diagnosis. Notably, the proposed framework shows potential for adaptation to other neurological disorders, including Alzheimer's disease detection, demonstrating its broader clinical applicability.

 

img0رویکرد جدید در تشخیص بیماری صرع مبتنی بر الگوریتم عنکبوت اجتماعی و الگوریتم ماشین بردار پشتیبان

بهرام دهقان11

1- گروه مهندسی برق، واحد سروستان، دانشگاه آزاد اسلامی، سروستان، ایران (Bahramdehghan1@gmail.com)

چکیده: بیماری صرع را می­توان به عنوان تشنج­های عُودکننده ناشی از تخلیه الکتریسته ناگهانی بر روی یک گروه از سلول­های مغزی انسان تعریف کرد. سیگنال­های الکتروانسفالوگرام (EEG) نقش بسیار مهمی در تشخیص این بیماری ایفا می­کند. ثبت سیگنال­های EEG که توسط دستگاه­های ثبت سیار ضبط می­شوند، اطلاعاتی با طول بسیار بالا تولید می­کنند که تشخیص ناحیه صرعی، نیازمند مدت زمان طولانی برای تحلیل کل اطلاعات توسط شخص متخصص می­باشد. به­دلیل خسته کننده بودن روش­های سنتی تحلیل، در سال­های اخیر تعداد بسیار زیادی سیستم اتوماتیک برای تشخیص صرع به­وجود آمده است. در این مقاله، رویکرد جدیدی مبتنی بر الگوریتم عنکبوت اجتماعی ارائه شده است. در ابتدا سیگنال EEG براساس تبدیل موجک گسسته تجزیه می­شود. سپس، 132 ویژگی آماری، آنتروپی و ویژگی­های آشوب استخراج می شوند و بهترین ویژگی­ها توسط الگوریتم عنکبوت اجتماعی با تابع هدف پیشنهادی انتخاب می­شوند. در نهایت، ویژگی­های انتخابی با استفاده از الگوریتم ماشین بردار پشتیبان جهت طبقه­بندی سیگنال­های EEG تشنج و غیرتشنج استفاده می­شود. نتایج شبیه­سازی نشان می­دهد که روش پیشنهادی بر روی مجموعه داده­های سیگنال EEG دانشگاه بُن به صحت و حساسیّت خوبی برخوردار است و این روش می­تواند به طور مؤثر به پزشکان در تشخیص صرع کمک کند، بنابراین بارکاری آنها کاهش می­یابد.

واژه های کلیدی: تشخیص بیماری صرع، انتخاب ویژگی­ها، سیگنال­های الکتروانسفالوگرام، الگوریتم بهینه سازی عنکبوت اجتماعی

DOI: 10.82526/jcdsa.2025.1196716

 

نوع مقاله: پژوهشی

تاریخ چاپ مقاله: 31/03/1404

تاریخ پذیرش مقاله: 02/03/1404

تاریخ ارسال مقاله: 27/10/1403

 

[1]  نویسنده­ مسئول

2-        مقدمه

صرع به عنوان یکی از مهمترین اختلالات عصبی در جهان محسوب می­شود که می­تواند در همه گروه های سنی تأثیر بگذارد [1, 2]. در حال حاضر حدود 65 میلیون نفر در سراسر جهان از بیماری صرع رنج می­برند [3]. صرع یک اختلال عصبی پایدار است که در آن تشنج با اختلالات ناخواسته ناگهانی و رفتارهای غیرقابل پیش­بینی بیماران مشخص می­شود. تشخیص صحیح و به موقع صرع برای شروع استفاده از داروهای کنترل­کنندۀ صرع و کاهش ریسک ابتلا به این بیماری، امری ضروری است. درحال حاضر، تشخیص صرع با آزمایش­های نورولوژی و آزمایش­های کمکی مثل تصاویر مغزی و اسکن بصری الکتروانسفالوگرام (EEG)1 حاصل می­شود که EEG جایگاه خود را به عنوان پرکاربردترین رویکرد تشخیصی حفظ کرده است [4, 5]. با این وجود، اسکن EEG برای تشخیص صرع هنوز هم بسیار پرهزینه، زمان­بر‌ و کاری نادرست است [6]. بنابراین ضروری است سیستم خودکار تشخیص کامپیوتری طراحی شود تا به طور خودکار، حالت­های صرعی را از سیگنال EEG تشخیص دهد [7]. این سیستم، به متخصصان جهت تشخیص دقیق و موثر بسیار کمک کننده می­باشد. تشخیص بیماری صرع به طور کلی با استفاده از الگوریتم یادگیری ماشین از سه مرحله، پیش­پردازش، شناسایی ویژگی و طبقه­بندی تشکیل شده است که مرحله شناسایی ویژگی­ها یکی از مهم­ترین مراحل می­باشد [8, 9]. مرحله شناسایی ویژگی­ها را می­توان به سه مرحله استخراج ویژگی­ها، انتخاب ویژگی­ها و تبدیل ویژگی­ها تقسیم کرد که مراحل استخراج و انتخاب ویژگی­ها در دقت تشخیص بیماری صرع بسیار حائز اهمیت می­باشد [10]. این امر سبب شده هر روزه توجه محققانی بیشتری را به خود جلب کند که در ادامه که به مرور مواردی از آنها پرداخته می­شود.

در [11] از آنتروپی طیفی، آنتروپی نمونه و آنتروپی فاز به عنوان ویژگی­ها از سیگنال EEG برای تشخیص بیماری صرع استفاده شده است. در [12] جهت استخراج ویژگی­ها ، از ویژگی­های آماری استفاده شده است. در [13] از ویژگی­های توان شامل طیف توان نسبی، نسبت طیف توان و ضرایب همبستگی متقابل جهت تشخیص بیماری صرع استفاده شده است. در [14] از شبکه­های یادگیری عمیق روی داده­های EEG جهت استخراج ویژگی­ها استفاده شده است. در [15] از تبدیل موجک و تحلیل غیرخطی RQA جهت استخراج ویژگی­ها در تشخیص بیماری صرع استفاده شده است. در [16] از تبدیل موجک و محاسبه انرژی ضرایب موجک به عنوان ویژگی­ها جهت تشخیص بیماری صرع استفاده شده است. در [17] از تبدیل موجک و الگوریتم K-means جهت استخراج ویژگی­ها استفاده شده است. در [18] از روش­های تخمین طیفی EV و MUSIC جهت استخراج ویژگی­ها استفاده شده است. در [19] از روش تعمیم یافته تبدیل موجک و آنتروپی تقریبی جهت استخراج ویژگی­ها و از الگوریتم ژنتیک جهت انتخاب ویژگی­ها استفاده شده است. در [20] از الگوریتم جستجوی گرانشی باینری جهت انتخاب ویژگی­ها استفاده شده است. در [21] از آنالیز خودرگرسیونی2 جهت استخراج ویژگی­ها از سیگنال EEG استفاده شده است. در [22] از ترکیب روش­های زمانی و فرکانسی جهت استخراج ویژگی­ها استفاده شده است. در [23]، از الگوریتم گرگ خاکستری جهت انتخاب بهترین ویژگی­ها و انتخاب مقدار بهینه پارامترهای الگوریتم ماشین بردار پشتبان استفاده شده است. در [24]، از ترکیب ویژگی­های مبتنی بر زمان، مبتنی بر فرکانس و مبتنی بر فرکانس-زمان جهت استخراج اطلاعات کافی از سیگنال EEG استفاده شده است و سپس از شبکه سیامی جهت کاهش ابعاد ویژگی­ها ارائه شده است. در [25]، از الگوریتم فراابتکاری همچون الگوریتم جستجوی همزیستی ارگانیسم3، الگوریتم بهینه­سازی ملخ4 ، الگوریتم باوری زمین­های کشاورزی5 جهت انتخاب بهترین ویژگی­ها استفاده شده که انتخاب بهترین ویژگی­ها با الگوریتم باروری زمین­های کشاورزی از دقّت بهتری برخوردار است.

اگرچه تحقیقات فراوانی جهت تشخیص بیماری صرع انجام شده است اما هنوز چالش­های در تعداد ویژگی­های استخراج شده می­باشد که در دقت تشیخص بیماری صرع بسیار موثر می­باشد. تعیین تعداد ویژگی­های استخراج شده از سیگنال EEG بسیار حائز اهمیت است، زیرا اگر از تعداد ویژگی­های کمتری استفاده شود ممکن است اطلاعات کافی از سیگنال EEG جهت تشخیص بیماری صرع حاصل نشود و از طرف دیگر، اگر از تعداد ویژگی­های زیادی استفاده شود منجر به سرریز6 می­شود که سبب پیچیدگی محاسباتی در مراحل بعدی می­­شود. بنابراین، تعداد ویژگی­ها باید به حد کافی باشد که از یک طرف، بتواند اطلاعات موثر از سیگنال EEG استخراج شود و از طرف دیگر منجر به سرریز نشود. این مستلزم پیشنهاد یک روش مناسب جهت استخراج و انتخاب ویژگی ­های مناسب از سیگنال EEG می­باشد. الگوریتم­های فراابتکاری مختلفی جهت انتخاب بهترین ویژگی­ها می­توان استفاده کرد امّا انتخاب الگوریتم فرا ابتکاری مناسب در اسین زمینه بسیار حائز اهمّیّت است. الگوریتم عنکبوت اجتماعی یکی از الگوریتم­های فراابتکاری می­باشد که به طور گسترده در زمینه­های مختلف پردازش تصویر و پردازش سیگنال کاربرد دارد [26-28]. این الگوریتم برخلاف سایر الگوریتم­های فرا ابتکاری دیگر همچون الگوریتم ژنتیک، الگوریتم ازدحام ذرات، الگوریتم بهینه­سازی فاخته، الگوریتم جستجوی هارمونی، الگوریتم بهینه­سازی شبکه اجتماعی و الگوریتم کلونی زنبور عسل مصنوعی، از همگرایی زودرس به راه حل­های بهینه محلی یا تعادل محدود بین اکتشاف و بهره­برداری جلوگیری می­کند [27]. این مزایا انگیزه استفاده از الگوریتم عنکبوت اجتماعی برای انتخاب بهترین ویژگی­ها را فراهم می­کند.

در این مقاله، ابتدا سیگنال EEG توسط الگوریتم تبدیل موجک گسسته تجزیه و تحلیل می­شود. سپس، 132 ویژگی­ از جمله ویژگی­های آماری، آنتروپی و ویژگی­های آشوب، از سیگنال EEG استخراج می­شود که بتواند اطلاعات کافی از این سیگنال حاصل شود. پس از آن، برای جلوگیری از سرریز و استخراج اطلاعات مفید توسط الگوریتم فرا­ ابتکاری عنکبوت اجتماعی و تابع هدف پیشنهادی جهت انتخاب بهترین ویژگی­ها استفاده می­شود. در نهایت، از الگوریتم ماشین بردار پشتیبان جهت طبقه­بندی سیگنال EEG و تشخیص صرع به کار گرفته می­شود. سازمان­دهي بقيه مقاله به اين صورت است که در بخش دوم به شرح روش پيشنهادي جهت تشخیص بیماری صرع، در بخش­هاي سوم و چهارم به ترتيب به نتايج و آزمايش‌ها و نتيجه­گيري و پيشنهاد‌ها پرداخته مي­شود.

3-       روش پیشنهادی

در این بخش، به تئوری روش پیشنهادی تشخیص بیماری صرع پرداخته می­شود. فرآیند تشخیص بیماری صرع پیشنهادی مطابق شکل (1) شامل پنج مرحله اصلی، پیش­پردازش و بخش­بندی دیتا، تبدیل موجک گسسته، استخراج ویژگی­های آماری، آنتروپی و ویژگی­های آشوب، انتخاب بهترین ویژگی با استفاده از الگوریتم فراابتکاری عنکبوت اجتماعی و در نهایت، طبقه­بندی با استفاده از الگوریتم ماشین بردار پشتیبان می­باشد. در ادامه، به شرح جزییات هر یک از مراحل پیشنهادی جهت تشخیص بیماری صرع پرداخته می­شود. 

G:\ترفیع\Paper Hossein nejad\s1.JPG 

شکل (1). فلوچارت روش پیشنهادی

 1-2- پیش­پردازش و بخش­بندی سیگنال

سیگنال الکتروآنسفالوگرافی شامل نویزهای از جمله، نویز برق شهر و نویز حاصل از چشمک زدن، حرکات چشمی و همچنین آرتیفکت­های ماهیچه­ای است که جهت استفاده از این سینگال­ها لازم است از روش فیلترینگ FIR استفاده کرد. فیلترینگ موردنظر در اینجا از دو فیلتر FIR تشکیل شده­است. یک فیلتر میان نگذر با باند فرکانسی40-50 هرتز که مربوط به فرکانس برق شهر، را رد می­کند. دیگری یک فیلتر میان­گذر که بازه فرکانسی 5/0 -30 هرتز را عبور می­دهد. بعد از حذف نویز، سیگنال EEG به بخش­هایی با طول ثابت، تقسیم می­شود. در این راستا، طول سیگنالی که در این مقاله مورد بررسی قرار می­گیرد: 512 نمونه ، 1024 نمونه ، 2048 نمونه و کل طول (4097 نمونه) سیگنال EEG است.

2-2- تبدیل موجک گسسته

در این بخش، از روش تبدیل موجک گسسته برای تجزیه و تحلیل سیگنال EEG به باندهای فرکانسی مختلف استفاده شده است. توابع موجک گسسته توسط جفت فیلترهای بالاگذر و پایین­گذر تعریف می­شوند. این فیلترها اجزای فرکانس بالا و پایین سیگنال ورودی را جدا می­کنند. در مرحله اول، خروجی فیلتر بالاگذر ضرایب جزئیات (D1) و خروجی فیلتر پایین گذر ضرایب تقریبی (A1) می­باشد. ضرایب (A1) دوباره تجزیه شده و تا چهار مرحله ادامه می­یابد.

3-2- استخراج ویژگی

روش­های استخراج ویژگی به طور کلی به سه دسته، استخراج ویژگی­های آماری، آنتروپی و ویژگی­های آشوب، تقسیم می­شوند که اخیرا تحقیقات نشان دهنده اینست که ترکیب هر سه روش جهت بهبود دقت تشخیص خودکار صرع بسیار موثرتر است [29-31]. در جدول (1) لیستی از ترکیب هر سه روش ویژگی­های استفاده شده در این مقاله معرفی شد. در نهایت، ((5+1)×22) 132 ویژگی از هر دو سیگنال EEG خام و زیرباندهای تجزیه شده استخراج می­شود. برخی از این ویژگی­ها ممکن است زائد باشند که برای طبقه­بندی مناسب نیستند. حذف ویژگی­های زائد، امری بسیار ضروری است که در این مقاله، از الگوریتم فرا ابتکاری عنکبوت اجتماعی و تابع هدف پیشنهادی استفاده می­شود.

جدول 1: لیستی از ویژگی­های استخراج شده

روابط ویژگی­ها

نوع ویژگی

شماره

img0 

میانگین

1

img0 

انحراف استاندارد

2

img0 

واریانس

3

img0 

انحراف

4

img0 

کورتوز

5

img0 

طول خط

6

img0 

انرژی غیرخطی

7

img0 

SampEn

8

img0 

آنتروپی جایگشت

9

img0 

آنتروپی شانون

10

img0 

آنتروپی طیفی

11

img0 

آنتروپی طیفی نرمالیزه شده

12

img0 

آنتروپی بولتزمان

13

img0 

آنتروپی کولموگروف

14

img0 

تحرک

15

img0 

پیچیدگی

16

img0 

Number of zero-crossings

17

img0 

تعداد اکسترمم محلی

18

img0 

ابعاد فراکتال کاتز

19

img0 

بزرگترین توان لیاپانوف

20

img0 

بعد فراکتال پطروسیان

21

img0 

img0 

اندازه­گیری همبستگی پیچیده

22

4-2- انتخاب بهترین ویژگی­ها

انتخاب ویژگی­ها، فرآیند شناسایی و حذف ویژگی­های نامربوط، کم اهمّیّت و حذف ویژگی­های زائد جهت انتخاب بهترین ورودی برای طبقه­بندی و بهبود دقت تشخیص صرع می­باشد. برای استخراج بهترین ویژگی­ها، الگوریتم فرا­ابتکاری عنکبوت اجتماعی پیشنهاد شده است. در ادامه به شرح جزییات این الگوریتم پرداخته می­شود.

1-4-2- الگوریتم عنکبوت اجتماعی

الگوریتم بهینه­سازی عنکبوت اجتماعی توسط کائوس و همکاران در سال 2013 ارائه شده است [32]. رفتار جستجو­گر عنکبوت اجتماعی را می­توان به عنوان جنبش جمعی عنکبوت­ها به سمت محل منبع غذایی توصیف کرد. عنکبوت ارتعاشات منتشر شده در شبکه را برای تعیین جهت بالقوه یک منبع غذایی دریافت و تحلیل می­کند. هر عنکبوت در وب دارای یک موقعیت و یک برازش است که نشان دهنده بالقوه یافتن منبع غذایی در آن موقعیت می­باشد. عنکبوت می­تواند آزادانه در وب حرکت کند، اما وب را نمی­تواند ترک کند. هنگامی که یک عنکبوت به موقعیت جدیدی حرکت نماید، یک ارتعاش تولید می­کند که در سراسر وب منتشر می­شود. اعضای اجتماعی به جنس ماده و جنس نر تقسیم شده است که در آن تعداد جنس ماده بیشتر از جنس نر است، جنس ماده حدود 90 درصد از جمعیت را تشکیل می­دهد. در طول بهینه­سازی، عنکبوت با ارتعاش رشته­ها در وب ارتباط برقرار می­کند. ارتعاش که یک عنکبوت جنس ماده دریافت می­کند، با توجه به اندازه عنکبوت و فاصله­ی عنکبوت­ها از یکدیگر صرفنظر از جنس تعریف شده است. پاسخ جنس ماده به این ارتعاشات به­صورت جاذبه یا دافعه است که یا به سمت آن ارتعاش جذب می­شود و یا از آن دور می­شود. مدل ریاضی که توسط کائوس و همکاران ارائه شده است در (1) آمده است:

در این رابطه،  وزن عنکبوت  ام و  فاصله اقلیدوسی بین عنکبوت  ام و ام است. فرض بر اینست که عنکبوت جنس ماده قادر به احساس سه ارتعاش از عنکبوت­ها به شرح ذیل است: نزدیکترین عضو با وزن بالاتر ()، پیش­ترین عنکبوت در اجتماع ()، نزدیکترین عنکبوت نر به عنکبوت ماده که برای آن مناسب­تر است () [33].

عنکبوت جنس ماده به سمت منشأ ارتعاشات جذب می­شود و یا از آن دور می­شود. حرکت جاذبه و یا دافعه بستگی به چند پدیده تصادفی دارد. یک عدد تصادفی ثابت در محدوده  تولید می­شود درصورتی­که عدد کوچکتر از  PF(حد آستانه) باشد جنبش جاذبه و در غیر اینصورت جنبش دافعه است (مطابق (2)).

(1)

 

که در آنها  ارزش­های تصادفی در بازه  نزدیک­ترین و بهترین همسایه و  عنکبوت پردازش شده می­باشد. این فرمول زمانی قابل اجرا است که جنس ماده به سمت منشأ ارتعاشات جذب شود. در صورتی­که از منشأ ارتعاشات دور شود از (3) استفاده شده است.

         (3)

جنس نر به روش­های مختلف موقعیت خود را بروزرسانی می­کند. عنکبوت­ها در ابتدا به دوگروه عنکبوت غالب و مغلوب تقسیم می­شوند. عنکبوت غالب با وزن بالاتر و تناسب اندام بهتر است و عنکبوت جنس ماده تمایل بیشتری دارد به سمت ارتعاشات آن جذب شود. درحالی­که دیگر عنکبوت تمایل دارد به سمت مرکز جمعیت حرکت کند و به عنوان یک استراژی به استفاده ازمنابع غذایی که توسط عنکبوت غالب هدر رفته می­پردازد. این رفتار برگرفته شده از الگوی رفتاری عنکبوت برای پیداکردن غذا است. بدین ترتیب وزن تمام عنکبوت نر در هر تکرار مشخص می­شود. موقعیت عنکبوت غالب و مغلوب به ترتیب مطابق (4و5) به­دست می­آید.

(2)

 

(5)   

که در آنها  نزدیکترین جنس نر و β, α و δ ارزش­های تصادفی در بازه  می­باشند. از اینرو عنکبوت غالب در یک شعاع خاص که متشکل از یک یا چند جنس نر و ماده است، شروع به جفت­گیری می­کند. بنابراین، یک مکانیسم چرخ­گردان به طور تصادفی به انتخاب پدر و مادری متناسب با ارزش­های خود می­پردازد. عنکبوت جدید ساخته شده (ترکیبی از ژنها) برازش آنها در مقایسه با بدترین عنکبوت (کمترین وزن و اندام نامناسب) در جامعه محاسبه و مقایسه می­شود. در صورتی­که عنکبوت جدید بهترین باشد توسط بدترین عنکبوت تولید شده جایگزین می­شود.

2-4-2- انتخاب ویژگی توسط الگوریتم عنکبوت اجتماعی

در این بخش، 22 ویژگی از سیگنال خام EEG و 22 ویژگی از هر یک از زیر باند­های تبدیل موجک گسسته استخراج می­شوند (مطابق شکل (2)) که در مجموع 132 ویژگی استخراج شده است. این مجموع 132 ویژگی­ به الگوریتم عنکبوت اجتماعی وارد می­شود و این الگوریتم با استفاده از تابع شایستگی پیشنهادی مطابق (6) بهترین بردار ویژگی­ها جهت طبقه­بندی تشخیص صرع انتخاب می­کند.

img0 

(6) 

 

(4)

 

img0 

(الف)

img0 

(ب)

img0 

(ج)

img0 

(د)

img0 

(ه)

img0 

(و)

شکل (2). تجزیه EEG توسط تبدیل موجک گسسته. (الف) EEG، (ب) تا (و) تجزیه 5 زیر باند EEG توسط تبدیل موجک گسسته

5-2-طبقه بندی

الگوریتم ماشین بردار پشتیبان یکی از روش­های یادگیری با نظارت است که در این مقاله از آن برای طبقه­بندی ویژگی­های انتخابی استفاده می­شود [34]. مبنای کار طبقه­بند SVM دسته­بندی خطی داده­ها است و در تقسیم داده­ها سعی می­شود، خطی انتخاب شود که حاشیه اطمینان بیشتری داشته باشد. تابع جداساز برای SVM دوکلاسه، عبارت است از:

(7)

img0 

در (7)،  تعداد نمونه­های آموزشی،  نمونه آموزشی  ام و  طبقه صحیح برای نمونه آموزشی  ام است. مقدار  برای یکی از کلاس­ها 1 و برای کلاس دیگری 1- در نظر گرفته­ می­شود و  مقدار بایاس تابع است. مقادیر  ضرایب طبقه­بند هستند که به همراه  در حین آموزش تعیین می­شوند. تابع  هسته است که دو نمونه از متدوالترین هسته­هایی که برای SVM استفاده می­شوند، عبارت­اند از:

(8)

img0 

(9)

img0 

در (9-8)،  و σ به ترتیب پارامترهای قابل تنظیم برای هسته­های چند­جمله­ای و RBF هستند. ضرایب  در (7)، با حل مسائل بهینه­سازی زیر بدست می آیند:

(10)

img0 

اثر SVM بستگی به انتخاب هسته، پارامتر­های هسته، دارد که در این مقاله از تابع هسته RBF برای SVM استفاده شده است چون تابع هسته RBF می­تواند داده­ با ابعاد بالا را آنالیز کند.

4-       نتایج

در این بخش، ابتدا معیارهای ارزیابی روش­های تشخیص بیماری صرع مورد بررسی قرار خواهد گرفت و پس از آن، دیتابیس مورد استفاده معرفی خواهد شد. در نهایت نتایج عملی تشخیص بیماری صرع با روش پیشنهادی و مقایسه آن با روش­های کلاسیک آخرین زیربخش این قسمت خواهد بود. تمام آزمایشات بر روی کامپیوتر شخصی با نرم­افزار متلب 2023 انجام شده است.

1-3-معیارهای ارزیابی

برای ارزیابی کارایی روش­های تشخیص بیماری صرع از معیارهای ارزیابی کلاسیک صحت مطابق (11)، حساسیت ویژگی­ها مطابق (12) و خصوصیت7 مطابق (13) استفاده می­شود. هرچه مقدار صحت، حساسیت ویژگی­ها، ویژگی بیشتر باشد مناسب‌تر است.

(11)

img0 

(12)

img0 

(13)

img0 

در (13-11)، مثبت واقعی (TP) و منفی واقعی (TN) به ترتیب تعداد سیگنال های EEG به درستی شناسایی شده و تعداد سیگنال­های EEG به درستی رد شده را برای هر کلاس نشان می­دهند. همچنین، منفی کاذب (FN) و مثبت کاذب (FP) تعداد سیگنال­های EEG اشتباه رد شده و سیگنال های EEG اشتباه تشخیص داده شده برای هر کلاس هستند.

2-3-پایگاه داده

در این مقاله از پایگاه داده دانشگاه بن آلمان استفاده شده است [35, 36]. این پایگاه داده شامل پنج گروه (Z,O,N,F,S) است. هر گروه داده، صد نمونه از سیگنال EEG با طول 6/23 ثانیه و با نرخ نمونه­برداری 61/173 می­باشد. این سیگنال­ها متعلق به دامنه سنی 6 تا 43 ساله است و از این سیگنال­ها، آرتیفکت­هایی چون حرکت عضلات و چشم حذف شده است. گروه Z و O شامل نمونه­های افراد سالم (غیر صرعی) به ترتیب با چشم­های باز و چشم­های بسته می­باشد. گروه N و F نمونه­های بیماران در فواصل حملات صرعی می­باشد. گروه S نمونه­های بیماران در حین حملات صرع می­باشد که در جدول (2) موردهای متفاوت در نظر گرفته شده است.

3-3-نتایج و آزمایش­ها

برای ارزیابی عملکرد روش پیشنهادی با روش­ [37]، روش [38] ، روش [39]، روش [40] و روش [41]، دو مجموعه آزمایش انجام می­شود. در مجموعه آزمایش اوّل، به بررسی تاثیر طول­های مختلف سیگنال EEG بر روی عملکرد روش پیشنهادی پرداخته می­شود. در مجموعه دوم، به بررسی عملکرد روش پیشنهادی با روش­های اخیر پرداخته می­شود.

1-3-3- تاثیر طول­ موج­های مختلف سیگنال EEG 

در این آزمایش، تأثیر طول­های مختلف سیگنال EEG بر روی تشخیص تشنج بررسی می­شود. طول پنجره به ترتیب 4096، 2048، 1024 و 512 تعیین شد و برای هر پنجره، عملکرد روش پیشنهادی مورد ارزیابی قرار گرفت (جدول (3)). همان­طورکه در جدول (3) مشاهده می­شود، با افزایش طول پنجره، صحت، حساسیت و خصوصیت افزایش می­یابد. همچنین لازم به ذکر است که برای پنجره با طول کوتاه، عملکرد مدل پیشنهادی خوب و قابل قبول می­باشد.

2-3-3- مقایسه با کارهای اخیرانجام شده

در این بخش، عملکرد روش پیشنهادی با سایر روشهای کلاسیک مقایسه شد که در جدول (4) نشان داده شده است که در آن، روش [37] نسبت به روش­های دیگر عملکرد بدتری دارد. روش [40] نسبت به روش­های [37]، [38]، [39] و [41] از صحت، حساسیت و خاصیت بهتری برخوردار است که نشان­دهنده عملکرد مناسب آن در تشخیص صرع می­باشد امّا روش پیشنهادی نسبت به روش [40] و روش­های دیگر عملکرد بهتری دارد. با توجه به عملکرد روش­ پیشنهادی پزشکان می توانند جهت تشخیص خودکار بیماری صرع از آن استفاده کنند.

img0 

شکل (3): نمونه­ای از سیگنال EEG به ترتیب مربوط گروه Z تا S

جدول (2): موردهای متفاوت در نظر گرفته شده

نوع

توصیف

کلاسها

مورد

 

 

Z با S

1

 دو کلاس

 نمونه غیرصرعی و حین تشنج

 O با S

2

 

 

ZO با S

3

 

نمونه فاصله بین و حین تشنج ها

N با S

4

دو کلاس

 

F با S

5

 

 

NF با S

6

 دو کلاس

 

NZO با S

7

FZO با S

8

 

 نمونه حین تشنج

ZONF با S

9

سه کلاس

 

Z با N با S

10

 

 نمونه غیرصرع، فاصله بین تشنج­ها و حین تشنج

ZO با NF با S

11

پنج کلاس

کل نمونه ها

Z با O با N با F با S

12

جدول (3): ارزیابی روش پیشنهادی با طول متفاوت سیگنال EEG

پنجره

مورد

صحت

حساسیت

خصوصیت

512

1

100

100

100

9

37/99

89/98

59/99

11

39/99

97/98

68/99

12

96/98

98/97

17/99

1024

1

100

100

100

9

45/99

80/98

61/99

11

91/99

97/99

81/99

12

12/99

86/98

30/99

2048

1

100

100

100

9

81/99

43/99

94/99

11

92/99

97/99

80/99

12

28/99

01/99

41/99

4096

1

100

100

100

9

72/99

42/99

91/99

11

97/99

100

92/99

12

43/99

75/99

31/99

جدول (4): مقایسه روش پیشنهادی با روش­های دیگر

روش ها

صحت

حساسیت

خصوصیت

روش [37]

8/79

5/81

2/77

روش [38]

93

97

92

روش [39]

40/98

22/98

31/98

روش[40]

30/99

64/99

12/99

روش [41]

2/96

68/95

79/98

روش پیشنهادی

56/99

82/99

31/99

 

5-       جمع­بندی

در این مقاله، سیستم جدیدی برای تشخیص خودکار صرع ارائه شده است. در ابتدا، نویز از سیگنال EEG حذف و سیگنال EEG بخش­بندی می­شود. سپس، تبدیل موجک گسسته به تجزیه سیگنال می­پردازد. پس از آن، 165 ویژگی متفاوت از سیگنال EEG خام و سیگنال EEG تجزیه شده استخراج می­شود. انتخاب بهترین­ ویژگی­ها در دقّت تشخیص بیماری صرع بسیار موثر می­باشد، که در این سیستم جدید از الگوریتم فرا ابتکاری عنکبوت اجتماعی و تابع هدف پیشنهادی جهت انتخاب بهترین اطلاعات استفاده می­شود. در نهایت، برای طبقه­بندی سیگنال­های EEG تشنج و غیر تشنج، الگوریتم ماشین بردار پشتیبان به کار گرفته می­شود. سیستم جدید تشخیص خودکار صرع پیشنهادی را می­توان پزشکان جهت تشخیص سریع بیماری صرع استفاده کنند. در مطالعات آتی تلاش می­شود، از این سیستم جدید پیشنهادی در تشخیص آلزیمر به کار گرفته شود.

مراجع

[1]        S. Mekruksavanich, W. Phaphan, and A. Jitpattanakul, "Epileptic seizure detection in EEG signals via an enhanced hybrid CNN with an integrated attention mechanism," Mathematical Biosciences and Engineering, vol. 22, no. 1, pp. 73-105, 2025, DOI: 10.3934/mbe.2025004

[2]        M. Pouryosef, R. Abedini-Nassab, and S. M. R. Akrami, "A novel framework for epileptic seizure detection using electroencephalogram signals based on the bat feature selection algorithm," Neuroscience, vol. 541, pp. 35-49, 2024, DOI: 10.1016/j.neuroscience.2024.01.014

[3]        X. Qiu, F. Yan, and H. Liu, "A difference attention ResNet-LSTM network for epileptic seizure detection using EEG signal," Biomedical Signal Processing and Control, vol. 83, p. 104652, 2023,  DOI: 10.1016/j.bspc.2023.104652

[4]        M. Shen, P. Wen, B. Song, and Y. Li, "An EEG based real-time epilepsy seizure detection approach using discrete wavelet transform and machine learning methods," Biomedical Signal Processing and Control, vol. 77, p. 103820, 2022,  DOI: 10.1016/j.bspc.2022.103820

[5]        J. Zhang, S. Zheng, W. Chen, G. Du, Q. Fu, and H. Jiang, "A scheme combining feature fusion and hybrid deep learning models for epileptic seizure detection and prediction," Scientific Reports, vol. 14, no. 1, p. 16916, 2024, DOI: 10.1038/s41598-024-67855-4

[6]        H. Ocak, "Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy," Expert Systems with Applications, vol. 36, no. 2, pp. 2027-2036, 2009, DOI: 10.1016/j.eswa.2007.12.065

[7]        S. Jain, V. V. Gupta, A. S. Bist, M. Joshi, and A. Garg, "Automated Epileptic Seizure Detection of EEG Signals Using Machine Learning," in International Conference on Cognitive Computing and Cyber Physical Systems, 2025: Springer, pp. 349-357. DOI: 10.1007/978-981-97-7371-8_27

[8]        G. Yogarajan et al., "EEG-based epileptic seizure detection using binary dragonfly algorithm and deep neural network," Scientific Reports, vol. 13, no. 1, p. 17710, 2023. DOI: 10.1038/s41598-023-44318-w

[9]        M. Omidvar, A. Zahedi, and H. Bakhshi, "EEG signal processing for epilepsy seizure detection using 5-level Db4 discrete wavelet transform, GA-based feature selection and ANN/SVM classifiers," Journal of ambient intelligence and humanized computing, vol. 12, no. 11, pp. 10395-10403, 2021. DOI: 10.1007/s12652-020-02837-8.

[10]        M. P. Kantipudi, N. P. Kumar, R. Aluvalu, S. Selvarajan, and K. Kotecha, "An improved GBSO-TAENN-based EEG signal classification model for epileptic seizure detection," Scientific Reports, vol. 14, no. 1, p. 843, 2024. DOI: 10.1038/s41598-024-51337-8

[11]        U. R. Acharya, F. Molinari, S. V. Sree, S. Chattopadhyay, K.-H. Ng, and J. S. Suri, "Automated diagnosis of epileptic EEG using entropies," Biomedical Signal Processing and Control, vol. 7, no. 4, pp. 401-408, 2012. DOI: 10.1016/j.bspc.2011.07.007

[12]        D. S. T. Behara, A. Kumar, P. Swami, B. K. Panigrahi, and T. K. Gandhi, "Detection of epileptic seizure patterns in EEG through fragmented feature extraction," in 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom), 2016: IEEE, pp. 2539-2542. DOI:10.1109/INDIACom.2016.7563001

[13]        Z. Zhang and K. K. Parhi, "Seizure prediction using long-term fragmented intracranial canine and human EEG recordings," in 2016 50th Asilomar Conference on Signals, Systems and Computers, 2016: IEEE, pp. 361-365.  DOI: 10.1109/ACSSC.2016.7869060

[14]        N. D. Truong, A. D. Nguyen, L. Kuhlmann, M. R. Bonyadi, J. Yang, and O. Kavehei, "A generalised seizure prediction with convolutional neural networks for intracranial and scalp electroencephalogram data analysis," arXiv preprint arXiv:1707.01976, 2017. DOI: 10.48550/arXiv.1707.01976

[15]        M. Niknazar, S. Mousavi, B. V. Vahdat, and M. Sayyah,"A new framework based on recurrence quantification analysis for epileptic seizure detection," IEEE journal of biomedical and health informatics, vol. 17, no. 3, pp. 572-578, 2013. DOI:10.1109/JBHI.2013.2255132

[16]        N. Sadati, H. R. Mohseni, and A. Maghsoudi, "Epileptic seizure detection using neural fuzzy networks," in 2006 IEEE international conference on fuzzy systems, 2006: IEEE, pp. 596-600,  DOI: 10.1109/FUZZY.2006.1681772

[17]        U. Orhan, M. Hekim, and M. Ozer, "EEG signals classification using the K-means clustering and a multilayer perceptron neural network model," Expert Systems with Applications, vol. 38, no. 10, pp. 13475-13481, 2011. DOI: 10.1016/j.eswa.2011.04.149

[18]        A. R. Naghsh-Nilchi and M. Aghashahi, "Epilepsy seizure detection using eigen-system spectral estimation and Multiple Layer Perceptron neural network," Biomedical Signal Processing and Control, vol. 5, no. 2, pp. 147-157, 2010. DOI: 10.1016/j.bspc.2010.01.004

[19]        H. Ocak, "Optimal classification of epileptic seizures in EEG using wavelet analysis and genetic algorithm," Signal processing, vol. 88, no. 7, pp. 1858-1867, 2008.

 DOI: 10.1016/j.sigpro.2008.01.026

[20]        A. Jain and D. Zongker, "Feature selection: Evaluation, application, and small sample performance," IEEE transactions on pattern analysis and machine intelligence, vol. 19, no. 2, pp. 153-158, 1997. DOI: 10.1109/34.574797

[21]        S. Mousavi, M. Niknazar, and B. V. Vahdat, "Epileptic seizure detection using AR model on EEG signals," in 2008 Cairo International Biomedical Engineering Conference, 2008: IEEE, pp. 1-4.  DOI:10.1109/CIBEC.2008.4786067

[22]        L. Wang et al., "Automatic epileptic seizure detection in EEG signals using multi-domain feature extraction and nonlinear analysis," Entropy, vol. 19, no. 6, p. 222, 2017.

 DOI: 10.3390/e19060222

[23]        A. Hamad, E. H. Houssein, A. E. Hassanien, and A. A. Fahmy, "A hybrid EEG signals classification approach based on grey wolf optimizer enhanced SVMs for epileptic detection," in Proceedings of the international conference on advanced intelligent systems and informatics 2017, 2018: Springer, pp. 108-117.  DOI: 10.1007/978-3-319-64861-3_10

[24]        Z. Hossein-Nejad and M. Nasri, "Epileptic Seizure Detection based on Statistical and Wavelet Features and Siamese Network," in 2023 14th International Conference on Information and Knowledge Technology (IKT), 2023: IEEE, pp. 201-205.  DOI:10.1109/IKT62039.2023.10433025

[25]        P. Mallik, A. K. Nayak, S. K. Mohapatra, and K. Swain, "Effectiveness of SOSA, FFA and GOA Algorithms for Epileptic Seizure Detection Using DWT and SVM," in Computing, Communication and Intelligence: CRC Press, 2025, pp. 52-56. DOI:10.1201/9781003581215-11

[26]        Z. Hossein, "Social Spider Optimization Algorithm in Multimodal Medical Image Registration," Journal of Optimization of Soft Computing (JOSC), vol. 1, no. 1, pp. 23-30, 2023.  https://www.researchgate.net/publication/375279624

[27]        A. Luque-Chang, E. Cuevas, F. Fausto, D. Zaldívar, and M. Pérez, "Social spider optimization algorithm: modifications, applications, and perspectives," Mathematical Problems in Engineering, vol. 2018, no. 1, p. 6843923, 2018. DOI: 10.1155/2018/6843923

[28]        R. Vijay and V. Priya, "Anti-islanding protection of distributed generation based on social spider optimization technique," International Journal of Advanced Engineering Research and Science, vol. 4, no. 6, p. 237193, 2017. DOI: 10.22161/ijaers.4.6.5

[29]        U. R. Acharya et al., "Characterization of focal EEG signals: a review," Future Generation Computer Systems, vol. 91, pp. 290-299, 2019. DOI: 10.1016/j.future.2018.08.044

[30]        P. Boonyakitanont, A. Lek-Uthai, K. Chomtho, and J. Songsiri, "A review of feature extraction and performance evaluation in epileptic seizure detection using EEG," Biomedical Signal Processing and Control, vol. 57, p. 101702, 2020. DOI: 10.1016/j.bspc.2019.101702

[31]        M. Ahmad, M. Saeed, S. Saleem, and A. M. Kamboh, "Seizure detection using EEG: A survey of different techniques," in 2016 International Conference on Emerging Technologies (ICET), 2016: IEEE, pp. 1-6.

 DOI:10.1109/ICET.2016.7813209

[32]        E. Cuevas, M. Cienfuegos, D. Zaldívar, and M. Pérez-Cisneros, "A swarm optimization algorithm inspired in the behavior of the social-spider," Expert Systems with Applications, vol. 40, no. 16, pp. 6374-6384, 2013. DOI: 10.1016/j.eswa.2013.05.041

[33]        E. Cuevas and M. Cienfuegos, "A new algorithm inspired in the behavior of the social-spider for constrained optimization," Expert Systems with Applications, vol. 41, no. 2, pp. 412-425, 2014. DOI: 10.1016/j.eswa.2013.07.067

[34]        C. J. Burges, "A tutorial on support vector machines for pattern recognition," Data mining and knowledge discovery, vol. 2, no. 2, pp. 121-167, 1998. doi: 10.1023/A:1009715923555

[35]        M. K. Siddiqui, R. Morales-Menendez, X. Huang, and N. Hussain, "A review of epileptic seizure detection using machine learning classifiers," Brain informatics, vol. 7, no. 1, p. 5, 2020. DOI:10.1186/s40708-020-00105-1

[36]        R. G. Andrzejak, K. Lehnertz, F. Mormann, C. Rieke, P. David, and C. E. Elger, "Indications of nonlinear deterministic and finite-dimensional structures in time series of brain electrical activity: Dependence on recording region and brain state," Physical Review E, vol. 64, no. 6, p. 061907, 2001. DOI: 10.1103/PhysRevE.64.061907

[37]        T. Zhang, W. Chen, and M. Li, "Generalized Stockwell transform and SVD-based epileptic seizure detection in EEG using random forest," Biocybernetics and Biomedical Engineering, vol. 38, no. 3, pp. 519-534, 2018.

 DOI:10.1016/j.bbe.2018.03.007

[38]        M. Mahmud, M. S. Kaiser, A. Hussain, and S. Vassanelli, "Applications of deep learning and reinforcement learning to biological data," IEEE transactions on neural networks and learning systems, vol. 29, no. 6, pp. 2063-2079, 2018. DOI: 10.1109/TNNLS.2018.2790388

[39]        E. Aydemir, T. Tuncer, and S. Dogan, "A Tunable-Q wavelet transform and quadruple symmetric pattern based EEG signal classification method," Medical hypotheses, vol. 134, p. 109519, 2020. DOI: 10.1016/j.mehy.2019.109519

[40]        T. Iloon, R. Barati, and H. Azad, "A New Approach in Epilepsy Diagnosis using Discrete Wavelet Transformation and Analysis of Variance," Signal Processing and Renewable Energy, vol. 7, no. 3, pp. 1-11, 2023. https://oiccpress.com/spre/article/view/7894

 [41]ف. قره‌داغی س. مشگینی, "تشخیص حمله‌های صرعی از روی ضرایب موجک با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی انبوه ذرات (PSO)," هوش محاسباتی در مهندسی برق, vol. 10, no. 3, pp. 11-24, 2019, doi: 10.22108/isee.2019.116284.1207.

 

 

img0 

[1]  Electroencephalogram

[2]  Autoregressive

[3]  Symbiotic-Organism Search Algorithm (SOSA)

[4]  Grasshopper Optimisation Algorithm (GOA)

[5]  Farmland fertility algorithm (FFA)

[6]  Ccruse of Dimensional

[7]  Specificity


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1404-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]