ترجمه مهندسی پزشکی- 19 صفحه
Recurrent neural networks employing Lyapunov exponents for EEG signals classification
شبکه های عصبی بازگشتی که از توان لیاپانوف برای طبقه بندی سیگنال های EEG استفاده میکند
Nihal Fatma Gülera, Elif Derya Übeylib, İnan Güler
سال 2005
http://dx.doi.org/10.1016/j.eswa.2005.04.011
دانلود رایگان مقاله انگلیسی -شبکه های عصبی بازگشتی EEG
چکیده
مدل های کمی متفاوتی وجود دارد که میتواند در یک سیستم حمایتی تصمیم گیری برای تشخیص بیماری ها مورد استفاده قرار گیرد شامل روش های پارامتری ، روش های غیر پارامتری و چندین مدل شبکه ی عصبی. متاسفانه ، هیچ نظریه ای جهت راهنمایی برای انتخاب مدل در دسترس نیست. هدف این مطالعه ارزیابی صحت تشخیص شبکه های عصبی بازگشتی (RNN ها ( میباشد که از توان لیاپانوف استفاده میکنند و توسط الگوریتم روی سیگنال های EEG تمرین یافته است. یک روش مبتنی بر در نظر داشتن این که سیگنال های EEG سیگنال های نامنظم هستند در این مطالعه استفاده شده است، تا روش طبقه بندی قابل اعتماد برای تغییر های الکتریکی مغزی توسعه یابد. این فرضیات به خوبی با استفاده از ابزار دینامیک غیر خطی مانند محاسبه ی توان لیاپانوف مورد تست قرار گرفت. ما توانایی RNN های طراحی شده و تمرین یافته ی Elman را بررسی کرده ، و آن را با توان لیاپانوف ترکیب کردیم تا بتوانیم سیگنال های EEG را متمایز کنیم ( سیگنال های EEG از داوطلب های سالم با چشمان باز گرفته شده ، از بیماران دارای صرع نیز در وقفه های خالی از حمله های صرع سیگنال ثبت شده ، و از بعضی بیماران نیز در طول حمله ی صرع سیگنال ها ثبت شده است ). RNN ها نرخ های صحتی را به دست آوردند که بالا تر از مدل های شبکه های عصبی پیش نگر بودند. نتایج به دست آمده نشان میدهد که RNN های پیشنهاد شده که از توان لیاپانوف استفاده میکند میتوانند در تحلیل سیگنال های EEG طولانی مدت برای تشخیص های اولیه تغییر های الکتریکی مغز مفید باشد.
Abstract
There are a number of different quantitative models that can be used in a medical diagnostic decision support system including parametric methods, non-parametric methods and several neural network models. Unfortunately, there is no theory available to guide model selection. The aim of this study is to evaluate the diagnostic accuracy of the recurrent neural networks (RNNs) employing Lyapunov exponents trained with Levenberg–Marquardt algorithm on the electroencephalogram (EEG) signals. An approach based on the consideration that the EEG signals are chaotic signals was used in developing a reliable classification method for electroencephalographic changes. This consideration was tested successfully using the non-linear dynamics tools, like the computation of Lyapunov exponents. We explored the ability of designed and trained Elman RNNs, combined with the Lyapunov exponents, to discriminate the EEG signals (EEG signals recorded from healthy volunteers with eyes open, epilepsy patients in the epileptogenic zone during a seizure-free interval, and epilepsy patients during epileptic seizures). The RNNs achieved accuracy rates which were higher than that of the feedforward neural network models. The obtained results demonstrated that the proposed RNNs employing the Lyapunov exponents can be useful in analyzing long-term EEG signals for early detection of the electroencephalographic changes.
Keywords
Recurrent neural networks; Levenberg–Marquardt algorithm; Electroencephalogram (EEG) signals; Chaotic signal; Lyapunov exponents
