fa ارائه یک سیستم ترکیبی هوشمند به منظور پیش بینی وقوع حملات تشنجی ناشی از صرع براساس تاخیر‌های‌ بهینه در سری‌های زمانی و الگوریتم‌های انطباقی فازی-عصبی علوم پایه Basic Sciences مقاله پژوهشی Orginal Research <p>زمینه و هدف: از مهم‌ترین نشانه‌های صرع می‌توان به تشنج، اشاره کرد. پیش بینی و تشخیص به‌موقع حمله تشنجی به ‌طور چشمگیری آسیب‌های ناشی از آن را در افراد صرعی کاهش می‌دهد. از مشکلات اساسی مربوط به این اختلال عصبی عدم توانایی در پیش بینی به موقع وقوع حملات تشنجی می‌باشد. مواد و روش‌ کار: به دلیل تصادفی بودن فرآیندهای الکتریکی منجر به صرع رفتار سیگنال‌های مغزی را به صورت یک دنباله در واحد زمان می توان بیان کرد. این تحقیق 300 مصروع در سه گروه طبیعی، مرحله قبل از تشنج و تشنج بررسی ‌شدند. بر این اساس داده‌ها پس از دریافت، پیش پردازش ‌شدند، سپس به دنبال استخراج ویژگی‌های خاص، توسط الگوریتم پیشنهادی، پیش بینی قابل قبول و مناسبی بر روی آن‌ها صورت می‌گیرد. در نهایت به منظور اعتبار سنجی نهایی، از روش ارزیابی چند دسته‌ایی هم عرضی (k-fold) استفاده شده است. یافته ها: ابتدا توسط تبدیل پردازشگر ویولیت (WT3) آرتیفکت‌های احتمالی حذف شد، در مرحله بعد توسط الگوریتم ‌هوشمند پرندگان (BPSO4 ) بهترین ویژگی‌ها (تاخیرها) بدست آمد، سپس توسط الگوریتم‌ ماشین بردار پشتیبان (SVM5)، کاهش بعد ویژگی‌ها (تاخیرها) به‌ منظور مدیریت داده‌ها انجام ‌شد. در پایان ارزیابی نهایی و اعتبار سنجی نهایی صورت گرفت، تا دقت الگوریتم با 2 واحد زمانی تاخیر در پیش بینی تایید شود. نتیجه گیری: سیستم پیشنهادی در قالب ترکیب و تعامل به دقت پیش بینی بالایی دست یافت. روش‌های حاضر علی رغم دقت بالا؛ در پیش بینی توانایی چندانی ندارند. مقایسه این روش و روش‌های موجود نشان از دقت و کارایی بالای این سیستم دارد.</p> <p>Background & Objectives: Seizures can be noted to the main symptom of epilepsy. Seizures prediction or early diagnosis for people reduces significantly injuries of epilepsy. The main problem that related to neurological disorders is an inability to timely prediction or the occurrence of seizures. Material and Method: EEG signals are Stochastic Process that can be treated as a sequence in time or in other words can be stated time series. In this study 300 epileptic patients categorized in three groups: normal, before and during the convulsive seizures were studied. Accordingly, after receiving data, they were preprocessed, then for Prediction time occurrence extracted special features by propose Algorithm. Eventually In order to final validate the cross-evaluation method (k-fold) has been used. Result: Firstly by wavelet transforms (WT), removed possible artifacts. In the next step by Binary Particle Swarm Optimization (BPSO) the characteristics (delay) are obtained. Then SVM algorithm (SVM) was performed to dimension reduction and manage the data (delay) so final Prediction that applied by Adaptive Nero Fuzzy Inference System Based on Optimal Delay. The final evaluation and final validation were done and the algorithm accurately in predicts by 2 units in delay approved. Conclusion: The Proposed System achieved a high accurate by interaction in introduced method. Despite the high accuracy, the present methods have a little ability in predicting seizure. Comparing the current methods indicate accuracy and high efficiency of the present approach.</p> صرع, پیش بینی, الکتروانسفالوگرام , سری زمانی, سیستم‌های هوشمند. Epilepsy, Prediction, Electroencephalogram, Time series, intelligent systems 133 146 http://journal.nkums.ac.ir/browse.php?a_code=A-10-25-453&slc_lang=fa&sid=1 M Fiuzey محمد فیوضی 10031947532846006235 10031947532846006235 Yes دانشگاه علم و صنعت ایران، تهران، J Haddadnia جواد حدادنیا 10031947532846006236 10031947532846006236 No دانشگاه علوم پزشکی سبزوار، دانشگاه حکیم سبزواری AR Moslem علیرضا مسلم 10031947532846006237 10031947532846006237 No دانشگاه علوم پزشکی سبزوار M Mohammad-Zadeh محمد محمدزاده 10031947532846006238 10031947532846006238 No دانشگاه علوم پزشکی سبزوار