Advances in Cognitive Sciences

other تشخیص صرع به‌ کمک ارزیابی‌های کیفی و کمّی آشوب‎گون سیگنال‎های مغزی Epilepsy Recognition using Chaotic Qualitative and Quantitative Evaluation of EEG Signals تخصصي Special پژوهشي اصیل Research <div style="text-align: justify;"> هدف: صرع یکی از بیماری های سیستم اعصاب مرکزی است که فرد مبتلا را در طول یک دوره زمانی دچار تشنج های ناگهانی می کند. روش:  یکی از مسایل مهم در آموزش سیستم شناخت، تهیه‌ی داده‌ی مطلوب است که در ادامه به کمک تحلیل کیفی آشوب&lrm;گون و نظر افراد خبره برچسب زنی صحیح آن بررسی و سپس ویژگی‌های آشوب&lrm;گون نظیر بُعد فرکتال، بزرگ&lrm;ترین نمای لیاپانوف و نمای هرست استخراج م‌یشود. برای تفکیک دسته&lrm;های مختلف از یکدیگر، این ویژگی&lrm;ها به دسته&lrm;بندی‌کننده‌ی بیزین داده می&lrm;شوند. یافته ها: نتایج نشان می‌دهد که سیگنال مغزی EEG دارای رفتاری آشوب&lrm;گون است و در حالت حمله کمینه‌ی بُعد بازسازی&lrm; و به دنبال آن پیچیدگی کاهش می‌یابد. همچنین نتایج حاکی از آن است که دو دسته ی طبیعی و پیش&lrm;حمله&lrm;ای با متوسط صحت ۹۹/۲ درصد و دو دسته‌ی طبیعی و &lrm;حمله‌ای با متوسط صحت ۹۹/۲ درصد و دو دسته‌ی پیش حمله ای و &lrm;حمله ای با متوسط صحت ۹۷/۱ درصد از یکدیگر تفکیک شده اند.  نتیجه&lrm;گیری: به&lrm;نظر می‌رسد تحلیل آشوبگون یکی از روش&lrm;های مفید در بازیابی رفتار مغز در تشخیص حالت&lrm;های صرعی باشد.  </div> Introduction: Epilepsy is a disease of the central nervous system presenting by sudden convulsive attacks over a period of time. Method: A key issue in recognition systems is optimal data acquisition as well as accurate labeling based on chaotic qualitative analyses and confirmatory annotations using expert eyes. To this end, chaotic features such as Petrosian fractal dimension, largest Lyapunov exponent and Hurst exponent were used in this investigation. Such features were submitted to the Bayesian classifier in order to have different categories seperated. Results: Our findings confirmed a chaotic behavior in EEG with minimum embedding dimension reduced in ictal state. Similarly, the complexity of the ictal state was reduced. In addition, our results indicated an average classification accuracy of 99.2% for normal vs. pre-ictal states; the average classification accuracy is 99.7% for the normal vs. ictal states and the average classification accuracy is 97.1% for the pre-ictal vs. ictal states. Conclusion: Chaotic analysis appears to serve as a useful method in representation and recognition of the brain activities in epileptic states. سیگنال مغزی, آشوب, صرع, برچسب زنی, دسته بندی کننده Electroencephalogram, Chaos, Epilepsy, Labelling, Classification 43 55 http://icssjournal.ir/browse.php?a_code=A-10-2-317&slc_lang=other&sid=1 Seyyed Abed Hosseini سیّدعابد حسینی Hosseyni@iau-shahrood.ac.ir 10031947532846004338 10031947532846004338 Yes Instructor, Department of Electrical Engineering, Shahrood Branch, Islamic Azad University,Tehran,Iran. مربی گروه مهندسی برق، واحد شاهرود، دانشگاه آزاد اسلامی Mohammad Reza Akbarzadeh Totonchi محمّدرضا اکبرزاده‌توتونچی 10031947532846004339 10031947532846004339 No Professor, Department of Electrical and Computer Engineering, Ferdowsi University of Mashhad,Mashhad,Iran. استاد گروه‌های مهندسی برق و کامپیوتر، دانشگاه فردوسی مشهد Mohammad Bagher Naghibi-Sistani محمّدباقر نقیبی‌سیستانی 10031947532846004340 10031947532846004340 No Assiastant professor, Department of Electrical Engineering, Ferdowsi University of Mashhad ,Mashhad,Iran. استادیار گروه مهندسی برق، دانشگاه فردوسی مشهد