بررسی انواع روش های کاهش و انتخاب ویژگی از سیگنال EEG جهت تشخیص بیماری پارکینسون

بیماری پارکینسون (PD) یک اختلال عصبی است. علائم اصلی این بیماری لرزش، کندی حرکت و سفتی عضلات است. روند بیماری پارکینسون به گونه ای است که نشانه های آن، به مرور تشدید می شود. جهت تشخیص این بیماری از سیگنال الکتروانسفالوگرام (EEG) برای استخراج ویژگی استفاده شده است. هدف این مقاله تشخیص بیماری پارکینسون از سیگنال EEG با استفاده از روش های مختلف کاهش و انتخاب ویژگی است. بدین منظور ابتدا سیگنال EEG با استفاده از تبدیل ویولت، به زیرباندهای فرکانسی تجزیه شده و سپس انواع ویژگی ها از آن ها استخراج می شود. در نهایت با استفاده از روش های مختلف کاهش ابعاد فضای ویژگی، عملکرد طبقه بندی کننده های مختلف جهت تشخیص بیماری به ازای سایر ویژگی های متداول ارزیابی می گردد. نتایج پیاده سازی روش پیشنهادی بر روی دادگان شامل سیگنال EEG مربوط به 53 بیمار پارکینسونی و 28 فرد سالم نشان می دهد که روش کاهش ویژگی PPCA موجب افزایش دقت عملکرد شبکه عصبی مصنوعی به 97/35 درصد می شود.

کلیدواژه ها:

بیماری پارکینسون (PD) ، سیگنال الکتروانسفالوگرام (EEG) ، تبدیل ویولت ، ماشین بردار پشتیبان ، شبکه عصبی مصنوعی و نزدیک ترین k همسایه