fa طراحی سیستم تشخیص صرع کانونی با استفاده از نگاشت مغز، تکنیک‌های پردازش تصویر و شبکه‌های عصبی مصنوعی علوم پایه Basic Sciences پژوهشي اصیل Original Atricle <p style="text-align: justify"><strong>زمینه و هدف</strong>: 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.</p> <p style="text-align: justify"><strong>مواد و روش‌ها</strong>: 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.</p> <p style="text-align: justify"><strong>یافته‌ها</strong>: در الگوریتم پیشنهادی الگوی نگاشت 11 نوع صرع شامل 10 نوع صرع جزئی و 1 الگوی صرع عمومی به صورت خودکار تشخیص داده شد.</p> <p style="text-align: justify"><strong>نتیجه‌گیری</strong>: 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.</p> <p style="text-align: justify"><span style="font-size: 14px"><span style="font-family: times new roman"><strong><em>Background</em></strong>: The general method for paraclinic diagnosis of epilepsy is electroencephalography that is performed by visual analysis by experienced neurologist. However, due to false detection and impossibility of evaluating electrodes and brain areas coherence, it is not uniquely used for seizure detection. In recent years, Quantitative Electroencephalogram (QEEG) has become a strong instrument for detection of brain disorders. Hence, studies in the field of EEG performance improvement and brain mapping images analysis corresponding to new methods that contain 2-D and 3-D output images and automatic epilepsy diagnosis are necessary. </span></span></p> <p style="text-align: justify"><span style="font-size: 14px"><span style="font-family: times new roman"><strong><em>Materials and Methods</em></strong>: In this cross-sectional study, through extracting epilepsy feature by computing the energy of each EEG channel, brain map pattern of each patient was plotted using cubic interpolation and generalized and partial patterns and potential center of epilepsy were diagnosed by LVQ artificial neural network using image processing combination methods. </span></span></p> <p style="text-align: justify"><span style="font-size: 14px"><span style="font-family: times new roman"><strong><em>Results</em></strong>: In the proposed algorithm, 11 epilepsy brain mapping patterns, including 1 generalized and 10 partial seizure patterns, were automatically diagnosed. </span></span></p> <p style="text-align: justify"><span style="font-size: 14px"><span style="font-family: times new roman"><strong><em>Conclusion</em></strong>: Since seizure detection in the EEG signals is a complex procedure and the number of expert neurologists is small, this schema can be used for epilepsy diagnosis as an intelligent diagnosis method so that generalization of this method can help detect various brain disorders.</span></span></p> الکترونسفالوگرافی, تبدیل ویولت, نگاشت مغز, صرع Brain mapping, Electroencephalography, Epilepsy, Wavelet transforms 24 33 http://jams.arakmu.ac.ir/browse.php?a_code=A-10-1112-1&slc_lang=fa&sid=1 Mahdi Tohidipour مهدی توحیدی پور Tohidipoor@yahoo.com 4600319475328460043753 4600319475328460043753 Yes Department of Electrical Engineering, Dezfoul Branch, Islamic Azad University, Dezfoul, Iran گروه الکترونیک، دانشگاه آزاد اسلامی، واحد دزفول، خوزستان، ایران Amir Aboulfazl Suratgar امیر ابوالفضل صورتگر a-suratgar@aut.ac.ir 4600319475328460043754 4600319475328460043754 No Department of Electrical Engineering, Arak University, Arak, Iran گروه برق، دانشگاه اراک، اراک، ایران Mohammad Reza Arab محمدرضا عرب arab1383@yahoo.com 4600319475328460043755 4600319475328460043755 No Department of Biomedical Engineering, Arak University of Medical Sciences, Arak, Iran واحد تجهیزات پزشکی، دانشگاه علوم پزشکی اراک، اراک، ایران Ali Reza Rezaei Ashtaini علیرضا رضایی آشتیانی r110_ashtiani@yahoo.com 4600319475328460043756 4600319475328460043756 No Department of Neurology, Arak University of Medical Sciences, Arak, Iran گروه مغز و اعصاب، دانشگاه علوم پزشکی اراک، اراک، ایران