ندا کلانتر - دانشجوی کارشناسی ارشد مهندسی برق-کنترل، دانشگاه علم و صنعت ایران
جواد پشتان - استاد دانشکده مهندسی برق، دانشگاه علم و صنعت ایران

مغز مرکز کنترل بدن ما است. با گذشت زمان، بیماری های مغزی جدید و جدیدتری کشف میشوند. بنابراین، به دلیل تغییرپذیری بیماری های مغزی، سیستمهای تشخیصی موجود به چالش کشیده میشوند و هنوز هم یک مساله باز برای تحقیقات هستند. تشخیص بیماریهای مغزی در مراحل اولیه میتواند تفاوت زیادی در تلاش برای درمان آنها ایجاد کند. در سالهای اخیر، استفاده از هوش مصنوعی در همه حوزه های علمی در حال افزایش است و بدون شک، این امر انقلابی در زمینه مغز و اعصاب نیز ایجاد میکند. استفاده از هوش مصنوعی در علوم پزشکی، پیش بینی و تشخیص بیماریهای مغزی را دقیق تر و مفیدتر کرده است. یادگیری ماشین به عنوان زیر مجموعه ای از هوش مصنوعی، فرایندی است برای آموزش رایانه برای استفاده از تجربه گذشته خود برای حل مساله ای که به آن داده شده است که موفقیت در تصمیم گیری صحیح در یادگیری ماشین به الگوریتم طبقه بندی متکی است. الگوریتمهای مختلف طبقه بندی در یادگیری ماشین وجود دارد که به طور خاص برای اهداف طبقه بندی طراحیشده اند و عملکرد کاملا مناسبی دارند. الکتروانسفالوگرافی (EEG) روشی برای آزمایش سیگنالهای الکتریکی در مغز است. از نظر بالینی، سیگنالهای EEG در درجه اول برای تشخیصو درمان اختلالات مغزی مختلف استفاده میشود که طبقه بندی کننده های یادگیری ماشین قادر به طبقه بندی این داده های EEG هستند. بنابراین، محققان مختلف با استفاده از طبقه بندی کننده های یادگیری ماشین و ویژگیهای آماری، روشهای مختلفی برای تشخیص بیماریهای مختلف مغزی ایجاد کرده اند. چالشهای اصلی در اینجا انتخاب طبقه بندی کننده ها و ویژگیهای مناسب است. در این مقاله مروری بر الگوریتم های یادگیری ماشین برای تشخیص بیماریهای مغزی با استفاده از سیگنالهای EEG انجام میدهیم.

یادگیری ماشین، طبقه بندی کننده، سیگنال EEG، استخراج ویژگی