Dr. Mohammad Doostizadeh دکتر محمد دوستی زاده Journal of New Achievements in Electrical,Computer and Technology نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری Application of EEG-based electrophysiological biomarkers and computational algorithms in epilepsy management کاربرد بیومارکرهای الکتروفیزیولوژیک مبتنی بر EEG و الگوریتم های محاسباتی در مدیریت صرع FA hajar danesh 1Department of Electrical and Biomedical Engineering, Faculty of Engineering and Technology Shahid Ashrafi Esfahani University, Isfahan, Iran هاجر دانش گروه برق و مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران negin Shafizadeh Student Scientific Association, Department of Electrical and Biomedical Engineering, Faculty of Engineering and Technology Shahid Ashrafi Esfahani University, Isfahan, Iran نگین شفیع زاده انجمن علمی دانشجویی، گروه برق و مهندسی پزشکی ، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران Faezeh Heidari Student Scientific Association, Department of Electrical and Biomedical Engineering, Faculty of Engineering and Technology Shahid Ashrafi Esfahani University, Isfahan, Iran فائزه حیدری انجمن علمی دانشجویی، گروه برق و مهندسی پزشکی ، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران Epilepsy is one of the most common chronic disorders of the nervous system, and its timely diagnosis is important for choosing the right treatment. Electroencephalography (EEG) is the most common non-invasive method of recording the electrical activity of the brain and is one of the main tools for evaluating patients with epilepsy. However, the normality of EEG in some patients and the absence of interictal epileptic discharges (IEDs) pose some limitations to the diagnosis. This study aimed to review the applications of EEG in the diagnosis and management of epilepsy and to review the advances in signal analysis, and examined articles published between 2007 and 2026. In this review, the neurophysiological foundations of epilepsy, electrophysiological markers, signal processing methods, and the application of machine learning and deep learning algorithms in automatic seizure diagnosis and treatment monitoring were reviewed. The results show that combining quantitative EEG analysis with advanced signal processing and artificial intelligence methods can improve the accuracy of diagnosis, differentiation of seizure types, and assessment of treatment response; However, validation of these methods in standardized studies and larger populations is essential for widespread clinical application. صرع یکی از شایع ترین اختلالات مزمن دستگاه عصبی است که تشخیص به موقع آن در انتخاب درمان مناسب اهمیت دارد. الکتروانسفالوگرافی (EEG) رایج ترین روش غیرتهاجمی ثبت فعالیت الکتریکی مغز و یکی از ابزارهای اصلی ارزیابی بیماران مبتلا به صرع است. بااین حال، طبیعی بودن EEG در برخی بیماران و نبود تخلیه های صرعی بین حمله ای (IEDs) تشخیص را با محدودیت هایی مواجه می کند. این مطالعه با هدف مرور کاربردهای EEG در تشخیص و مدیریت صرع و بررسی پیشرفت های تحلیل سیگنال، مقالات منتشرشده طی سال های ۲۰۰۷ تا ۲۰۲۶ را بررسی کرده است. در این مرور، مبانی نوروفیزیولوژیک صرع، نشانگرهای الکتروفیزیولوژیک، روش های پردازش سیگنال، و کاربرد الگوریتم های یادگیری ماشین و یادگیری عمیق در تشخیص خودکار تشنج و پایش درمان مرور شد. نتایج نشان می دهد ترکیب تحلیل کمی EEG با روش های پیشرفته پردازش سیگنال و هوش مصنوعی می تواند دقت تشخیص، افتراق انواع تشنج و ارزیابی پاسخ درمان را بهبود بخشد؛ هرچند اعتبارسنجی این روش ها در مطالعات استاندارد و جمعیت های بزرگ تر برای کاربرد گسترده بالینی ضروری است. https://jnaect.ir/downloadfilepdf/2191956