دوره 16، شماره 1 - ( 1-1392 )                   جلد 16 شماره 1 صفحات 33-24 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Tohidipour M, Suratgar A A, Arab M R, Rezaei Ashtaini A R. Designing a Local Seizure Detection System Using Brain Mapping, Image Processing Techniques, and Artificial Neural Networks. J Arak Uni Med Sci 2013; 16 (1) :24-33
URL: http://jams.arakmu.ac.ir/article-1-1013-fa.html
توحیدی پور مهدی، صورتگر امیر ابوالفضل، عرب محمدرضا، رضایی آشتیانی علیرضا. طراحی سیستم تشخیص صرع کانونی با استفاده از نگاشت مغز، تکنیک‌های پردازش تصویر و شبکه‌های عصبی مصنوعی. مجله دانشگاه علوم پزشكي اراك. 1392; 16 (1) :24-33

URL: http://jams.arakmu.ac.ir/article-1-1013-fa.html


1- گروه الکترونیک، دانشگاه آزاد اسلامی، واحد دزفول، خوزستان، ایران ، Tohidipoor@yahoo.com
2- گروه برق، دانشگاه اراک، اراک، ایران
3- واحد تجهیزات پزشکی، دانشگاه علوم پزشکی اراک، اراک، ایران
4- گروه مغز و اعصاب، دانشگاه علوم پزشکی اراک، اراک، ایران
چکیده:   (10446 مشاهده)

زمینه و هدف: متداول‌ترین روش تشخیص پاراکلینیکی صرع، نوار مغز یا الکترونسفالوگرام (EEG) می‌باشد که با آنالیز چشمی توسط متخصصین نورولوژی انجام می‌گیرد، اما به دلیل موارد منفی کاذب و هم‎چنین عدم امکان بررسی ارتباط سایر الکترودها و نواحی مغز با هم، از آن به صورت منحصر به فردی در تشخیص صرع استفاده نمی‌شود. در سال‌های اخیر الکترونسفالوگرام کوانتیزه (QEEG) به ابزاری قدرت‌مند در تشخیص ناهنجاری‌های فعالیت الکتریکی مغز تبدیل شده است. بنابراین پژوهش در زمینه بهبود کارایی EEG، تحلیل و پردازش تصاویر نگاشت مغز متناسب با روش‌های نوین که دارای تصاویر دو یا سه بعدی از مغز هستند و تشخیص خودکار بیماری صرع ضروری است.

مواد و روش‌ها: در این مقاله مقطعی، از طریق استخراج مشخصه صرع با محاسبه انرژی هر کانال EEG، الگوی نگاشت مغز هر بیمار مبتنی بر درون یابی مکعبی رسم و با استفاده از روش‌های ترکیبی پردازش تصویر، الگوهای صرع عمومی و صرع جزئی و مرکز پتانسیل صرع توسط شبکه عصبی مصنوعی LVQ تشخیص داده می‌شود.

یافته‌ها: در الگوریتم پیشنهادی الگوی نگاشت 11 نوع صرع شامل 10 نوع صرع جزئی و 1 الگوی صرع عمومی به صورت خودکار تشخیص داده شد.

نتیجه‌گیری: با توجه به پیچیدگی تشخیص صرع در نوار مغز و سیگنال الکترونسفالوگرام و کمبود متخصصین نورولوژی خبره در بسیاری از مناطق کشور این طرح می تواند به عنوان یک روش هوشمند جهت تشخیص صرع مورد استفاده قرار گیرد که با تعمیم این روش می‌توان انواع الگوهای بیماری‌های مغزی را تشخیص داد.

متن کامل [PDF 466 kb]   (4989 دریافت)    
نوع مطالعه: پژوهشي اصیل | موضوع مقاله: علوم پایه
دریافت: 1389/10/26 | پذیرش: 1392/6/6

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله دانشگاه علوم پزشکی اراک می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Arak University of Medical Sciences

Designed & Developed by : Yektaweb