بررسی و مقایسه طبقه بندی کننده های مختلف سیگنال EEG جهت تشخیص بیماری پارکینسون

بیماری پارکینسون (PD) شایع ترین نوع بیماری مخرب عصبی به حساب می آید. حدود 1 تا 1/5 درصد از مردم جهان به آن مبتلا هستند. در این مقاله، به بررسی تشخیص بیماری پارکینسون با استفاده از سیگنال های EEG پرداخت می شود. سیگنال EEG در دو حوزه زمان و فرکانس تجزیه و تحلیل شده و همچنین ویژگی های مختلف از هر موج EEG استخراج شده است. در نهایت توسط چهار ططبقه بند ماشین بردار پشتیبان با سه کرنل خی، RBF و Polynomla، نزدیکترین k همسایه، جنگل تصادفی و شبکه عصبی - فازی تطبیقی تشخیص داده می شود؛ همچنین از سه معیار ارزیابی صحت، حساسیت و اختصاصی بودن استفاده گردید. برای ارزیابی مدل ها از روش اعتبار سنجی K-fold استفاده کرده ایم. نتایج پیاده سازی روش پیشنهادی بر روی دادگانن شامل سیگنال EEG مربوط به 6 نفر (3 نفر بیمار پارکینسونی و 3 نفر افراد سالم) است. در نهایت مشاهده شد که استفاده از ویژگی های آماری و غیرخطی موجب بهبود عملکرد تشخیص بیماری پارکینسون می شود. همچنین طبقه بندهای ماشین بردار پشتیبان با کرنل poly و سیستم استنتاج فازی - عصبی بهترین عملکرد را جهت تشخیص بیماری به ترتیب با دقت 91.27 و 87، 87 نشان می دهد.

کلیدواژه ها:

بیماری پارکینسون ، سیگنال الکتروانسفالوگرام (EEG) ، شبکه عصبی - فازی تطبیقی ، ماشین بردار پشتیبان ، جنگل تصادفی و نزدیک ترین k همسایه