بررسی اثر ویژگی های خطی و غیرخطی سیگنال EEG در تشخیص بیماری پارکینسون

بیماری پارکینسون (PD) یکی از بیماری های شایع عصبی است که در حال حاضر درمانی برای آن مشخص نشده است. تشخیص به موقع این بیماری، می تواند به کنترل نشانه ها و بهبود زندگی بیمار کمک شایانی کند. برای بررسی و تشخیص بیماری پارکینسون می توان به تشخیص با استفاده از سیگنال الکتروانسفالوگرام (EEG) اشاره کرد. پژوهش های فراوانی برای استخراج ویژگی های موثر جهت تشخیص این بیماری از سیگنال EEG انجام شده است. هدف از این پژوهش تشخیص بیمار پارکینسون از فرد سالم با استفاده از استخراج ویژگی های خطی و غیرخی از سیگنال مغزی است. ابتدا سیگنال EEG با استفاده از تبدیل موجک به تعدادی زیرباند فرکانسی تجزیه شده و سپس انواع ویژگی های خطی و غیرخطی در حوزه زمان و فرکانس از آن ها استخراج می شود. در نهایت عملکرد طبقه بندی کننده های مختلف جهت تشخیص بیماری به ازای ویژگی های رایج ارزیابی می گردد. برای ارزیابی روش پیشنهادی از اعتبارسنجی مونت کارلو استفاده شده است. بدین منظور برای تفکیک افراد سالم و بیمار از هم، از طبقه بندهای مختلف برای آموزش استفاده شده است. در نهایت مشاهده شد استفاده از ویژگی های غیرخطی موجب بهبود عملکرد تشخیص می شود. همچنین مشاهده گردید طبقه بند ماشین بردار پشتیبان با کرنل خطی بهترین عملکرد را جهت تشخیص بیماران پارکینسون با دقت 94.26 درصد نشان می دهد.

کلیدواژه ها:

بیماری پارکینسون ، سیگنال EEG ، شبکه عصبی مصنوعی ، ماشین بردار پشتیبان ، ویژگی های خطی و غیرخطی