ΠΡΟΣΟΜΟΙΩΣΗ ΕΓΚΕΦΑΛΙΚΗΣ ΔΡΑΣΤΗΡΙΟΤΗΤΑΣ ΜΕ ΧΡΗΣΗ ΗΛΕΚΤΡΟΝΙΚΟΥ ΥΠΟΛΟΓΙΣΤΗ

Abstract

IN THIS STUDY WE INTRODUCE SOME ARTIFICIAL NEURAL NETWORKS (ANNS) LIKE BP, LVQ,CP AND SOM WHICH HAVE SIGNIFICANT ABILITIES IN GENERALIZING ON UNKNOWN VECTORS. FOR THE PURPOSE OF OUR STUDY WE FORMULATED INDEPENDENT EEG SETS OF DATA FOR TRAINING AND TESTING ANNS THAT HAD SIMILAR PROPERTIES. EACH SET INCLUDED BOTH NORMAL AND EPILEPTIC DATA. SOME OF THE ANNS WERE TRAINED AND TESTED USING THE CORRESPONDING POWER SPECTRUM DENSITY (PSD). RESULTS SHOW THAT ANNS CAN BE USED IN RECOGNIZING AND CLASSIFYING EPILEPTIC LONG TERM EEG WITH SUFFICIENT ACCURACY. (80%-90% OF THE TOTAL TESTING SET). A SYSTEM BASED ON ANNS COULD BE VERY HELPFULIN THE TASK OF RECOGNIZING EPILEPTIC WAVEFORMS.

ΣΤΗΝ ΕΡΓΑΣΙΑ ΑΥΤΗ ΠΑΡΟΥΣΙΑΖΟΝΤΑΙ ΔΙΑΦΟΡΟΙ ΑΛΓΟΡΙΘΜΟΙ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ (BP, LVQ, CP ΚΑΙ SOM) ΠΟΥ ΜΠΟΡΟΥΝ ΝΑ ΧΡΗΣΙΜΟΠΟΙΗΘΟΥΝ ΣΤΗΝ ΑΝΑΓΝΩΡΙΣΗ ΚΑΙ ΤΑΞΙΝΟΜΗΣΗ ΗΕΓ ΚΑΤΑΓΡΑΦΩΝ ΜΕ ΕΠΙΛΗΠΤΙΚΑ ΕΥΡΗΜΑΤΑ. ΓΙΑ ΤΗΝ ΕΚΠΑΙΔΕΥΣΗ ΚΑΙ ΤΟΝ ΕΛΕΓΧΟΤΩΝ ΤΝΔ, ΣΧΗΜΑΤΙΖΟΝΤΑΙ ΑΝΕΞΑΡΤΗΤΑ ΕΚΠΑΙΔΕΥΤΙΚΑ ΚΑΙ ΕΛΕΓΚΤΙΚΑ ΣΥΝΟΛΑ ΔΙΑΝΥΣΜΑΤΩΝ, ΠΟΥ ΟΜΩΣ ΔΙΑΘΕΤΟΥΝ ΠΑΡΟΜΟΙΕΣ ΙΔΙΟΤΗΤΕΣ. ΤΑ ΤΝΔ ΕΚΠΑΙΔΕΥΟΝΤΑΙ ΜΕ ΕΝΑΝ ΑΠΟ ΤΟΥΣ ΠΡΟΑΝΑΦΕΡΘΕΝΤΕΣ ΑΛΓΟΡΙΘΜΟΥΣ ΚΑΙ ΣΤΗΝ ΣΥΝΕΧΕΙΑ ΕΛΕΓΧΕΤΑΙ Η ΙΚΑΝΟΤΗΤΑ ΤΟΥΣ ΝΑ ΑΝΑΓΝΩΡΙΖΟΥΝ ΚΥΜΑΤΟΜΟΡΦΕΣ ΣΤΙΣ ΟΠΟΙΕΣ ΔΕΝ ΕΙΧΑΝ ΠΡΟΗΓΟΥΜΕΝΩΣ ΕΚΤΕΘΕΙ. ΤΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΤΩΝ ΠΕΙΡΑΜΑΤΩΝ ΑΠΟΔΕΙΚΝΥΟΥΝ ΟΤΙ ΤΑ ΤΝΔ ΜΠΟΡΟΥΝ ΝΑ ΧΡΗΣΙΜΟΠΟΙΗΘΟΥΝ ΣΤΗΝ ΑΝΑΓΝΩΡΙΣΗ ΚΑΙ ΠΡΟΤΥΠΟΠΟΙΗΣΗ ΗΕΓ ΚΑΤΑΓΡΑΦΩΝ ΜΑΚΡΑΣ ΔΙΑΡΚΕΙΑΣ, ΜΕ ΠΟΛΥ ΙΚΑΝΟΠΟΙΗΤΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ (80%-90% ΤΟΥ ΣΥΝΟΛΟΥ ΤΩΝ ΔΕΙΓΜΑΤΩΝ ΕΛΕΓΧΟΥ). ΕΠΟΜΕΝΩΣ ΕΝΑ ΣΥΣΤΗΜΑ ΤΝΔ ΜΠΟΡΕΙ ΝΑ ΔΙΕΥΚΟΛΥΝΕΙ ΣΗΜΑΝΤΙΚΑ ΤΟ ΕΡΓΟ ΤΗΣ ΑΝΑΓΝΩΡΙΣΗΣ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΗΕΓ ΚΥΜΑΤΟΜΟΡΦΩΝ.