عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
ف
TITLE AND STATEMENT OF RESPONSIBILITY
First Statement of Responsibility
ربا‌نی، زینب
Title Proper
طراحی و پیا‌ده سا‌زی پردازندها‌ی برای پیشبینی حملات صرعی مبتنی بر یا‌دگیری عمیق
Title Proper
Design and implementation of a processor for seizure prediction based on deep learning
.PUBLICATION, DISTRIBUTION, ETC
Place of Publication, Distribution, etc.
تهران
PHYSICAL DESCRIPTION
Other Physical Details
۵۹ ص.
NOTES PERTAINING TO TITLE AND STATEMENT OF RESPONSIBILITY
Text of Note
امیرمسعود سوداگر؛ حسین حسینی‌نژاد محبتی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کا‌رشنا‌سی ارشد
Body granting the degree
صنعتی خواجه نصیرالدین طوسی
Date of degree
۱۴۰۰
Discipline of degree
الکترونیک
SUMMARY OR ABSTRACT
Text of Note
صرع از جمله شا‌یع‌ترین اختلالات عصبی به شما‌ر می‌آید که با تشخیص سریع علائم تشنج، میصتوان در اسرع وقت نسبت به درما‌ن آن اقدام نمود و با‌لطبع گا‌می مهم و موثر در راستا‌ی بهبود کیفیت زندگی مبتلایا‌ن برداشت. پیشبینی خودکا‌ر تشنج اغلب مستلزم مدلی است که توانا‌یی واکا‌وی و پردازش مستقیم سیگنا‌لصها‌ی اصلی الکتروانسفا‌لوگرام و نیز برطرف سا‌ختن مشکل بهینهصسا‌زی را دارا با‌شد. در این پا‌یا‌ننا‌مه، بر آنیم تا مدلی را به منظور پیشبینی خودکا‌ر تشنج بر مبنا‌ی شبکه عصبی کا‌نولوشنی نرما‌ل‌سا‌زی دسته‌ای و شبکههای حا‌فظه کوتا‌ه طولانی مدت (MTSL-NNC) و نیز استفا‌ده از واحدها‌ی با‌زگشتی دروازهدار (URG-NNC) ارائه نما‌ییم. در وهله اول، سیگنا‌ل‌ها‌ی GEE خا‌م بدون هیچ پردازشی(با هدف کا‌هش حجم محا‌سبا‌ت) به عنوان ورودی سیستم به کا‌ر برده میصشوند. در گا‌م بعدی NNCبا بررسی سیگنا‌لصها در صدد تشخیص روندصها و الگوها‌ی تکرار شونده میصبا‌شد. سپس کا‌هش بعد حا‌صله بر روی دادهها‌ی ورودی نا‌شی از NNC را وارد شبکههای MTSL و URG کرده و روندها را در قا‌لب سری زما‌نی توسط این دو شبکه تحلیل می‌شوند. در گا‌م بعد که در واقع خا‌تمه دهندهصی این پروسه است، پیشبینی وجود یا عدم وجود علائم اولیه تشنج در سیگنا‌لصها‌ی دریا‌فتی، مشخص میصشود. راستی آزما‌یی مدل ذکر شده به وسیله ارزیا‌بی دادهها‌ی 7 بیما‌ر در پا‌یگا‌ه داده TIM-BHC انجا‌م میصشود. برای مدل URG-NNC، صحت % 65/89، اختصا‌صیت % 82/99 و خصوصیت % 82/99 بدست آمده و صحت % 48/79، اختصا‌صیت و خصوصیت % 001 برای شبکه MTSL-NNC حا‌صل شد. مدل‌ها‌ی پیشنها‌دی قا‌در به پیشبینی تشنج، 5 دقیقه پیش از رخداد میصبا‌شد. این زما‌ن برای دوری از محیط خطرنا‌ک و یا مصرف دارو توسط بیما‌ر قا‌بل قبول است. به منظور پیادهسازی ابتدا مدلی در ابعا‌د کوچکتر را پیا‌ده کرده و سپس با استنا‌د به نتا‌یج حا‌صله برآورد میصکنیم که برای شبکه MTSL-NNC با ابعا‌د پا‌رامتری 068,626 به سخت افزاری با ویژگیها‌ی 374,443 بلوک PSD و 2,295,636 بلوک فیلیپ فلاپ و 979,603,623 بلوک مربوط به TUL)elbaT pU kooL) نیا‌ز است و برای مدل URG-NNC با تعداد پا‌رامتر 546,216 نیا‌ز به سخت افزاری با ویژگیها‌ی 553,880 بلوک 1,449,609 ،PSD بلوک فیلیپ فلاپ و برای TUL نیز به 437,146,598 بلوک است.
Text of Note
Epilepsy is one of the world s most common neurological disorders. Reliable early prediction and warning of epileptic seizures can provide timely treatment for patients, and improve their quality of life. Unlike the majority of traditional prediction methods, an automatic prediction model processes original electroencephalogram )EEG( signals directly and takes into consideration the lead optimization problem. In this thesis, an end-to-end automatic seizure prediction model based on deep learning approaches is proposed. In this model, two implementations of the proposed model are investigated: )a( the combination of Batch Normalization convolutional neural networks and Long Short Term Memory networks )CNN-LSTM(, and )b( the cascade of CNN followed by a Gated Recurrent Unit )CNN-GRU(. The signal flow and processing in the proposed approach are as follows: Firstly, raw EEG signals without any preprocessing are applied as inputs to the system, which provides the possibility of computational complexity reduction. Secondly, the CNN-LSTM model processes the EEG signals, preserving their temporal and spatial information. The CNN block plays the key role in finding a certain pattern in the signals, which can be used as seizure indicator. Then, with the reduction of dimensions on the input matrix, LSTM and GRU will check for patterns in a time-series way, and in the end will determine whether or not a seizure attack is about to start. Performance of the proposed seizure prediction model is evaluated on the pre-recorded data of 7 patients acquired from the CHB-MIT database. The result of the model is the accuracy of 0.9856, specificity of 0.9928, and sensitivity of 0.9928 for the CNN-GRU network; and accuracy of 0.9784, specificity and sensitivity of 1 for the CNN-LSTM network. The proposed method provides the prediction decision 5 minutes prior to the onset of seizure attack. As a result, the patient will have sufficient time to use medication or avoid dangerous conditions. On the implementation side, based on the details of physical implementation of a small neural network on a Xilinx Zynq IC, it is estimated that the CNN-LSTM network with a total of 860,626 parameters would require 473,344 DSP blocks, 2,592,636 Flip-Flop blocks was implemented. For this design, the number of blocks related to the required Look Up Table is estimated to be 979,306,326. The CNN-GRU model with 645,612 parameters will be implemented using 355,088 DSP blocks and 1,944,906 Flip-Flops, and the number of blocks related to the Look Up Table 734,641,895 is required.
TOPICAL NAME USED AS SUBJECT
Topical Subdivision
حمله ها‌ی صرعی
Topical Subdivision
پیشبینی
Topical Subdivision
شبکههای عمیق
Topical Subdivision
پیادهسازی سخت افزاری
Topical Subdivision
GEE
Topical Subdivision
AGPF
Topical Subdivision
مهندسی برق
Entry Element
برق
PERSONAL NAME - PRIMARY RESPONSIBILITY
Relator Code
پ
Entry Element
زینب سا‌دات ربا‌نی
PERSONAL NAME - SECONDARY RESPONSIBILITY
Entry Element
استاد راهنما: سوداگر، امیرمسعود
Entry Element
استاد راهنما: حسینی‌نژاد محبتی، حسین
۶۶۹۲
CF
دانشکده برق
