تشخیص هوشمند بیماری پارکینسون با استفاده از تحلیل غیرخطی داده های الکتروانسفالوگرام

عملکردهای دوپامینرژیک مغزمیانی میتواند تحت تاثیر بیماری پارکیسنون قرار گیرد و از اینرو استخراج مشخصه های مربوطبه سیستم پاداش مغزی میتواند منجر به ارائه یک روش تشخیصی قابل اعتماد گردد. از این رو هدف این پژوهش، ارائه یکسیستم تشخیصی اتوماتیک و غیر تهاجمی بیماری پارکینسون به کمک تجزیه و تحلیل نوسانات وابسته به چند فرکتال سیگنال-های الکتروانسفالوگرام در حین اجرای تکلیف یادگیری-تقویتی بوده است. روش فوق منطبق با ماهیت غیرخطی و مقیاس ثابتسیگنال های الکتروانسفالوگرام می باشد. جهت بررسی ویژگی های استخراجی از ماشین بردار پشتیبان و k -نزدیکترین همسایه بهعنوان طبقه بند استفاده شده است. عملکرد الگوریتم پیشنهادی با سیگنال های الکتروانسفالوگرام ۲۸ فرد سالم و ۲۸ بیمارپارکینسون در حالت مصرف و قطع مصرف دارو مورد ارزیابی قرار گرفته است. نتایج بدست آمده نشان داده اند که روش پیشنهادیتوانسته است به تفکیک افراد سالم و بیمار پارکینسون (با مصرف دارو)، گروه سالم و بیمار پارکینسون (بدون مصرف دارو) و گروهبیمار (با و بدون مصرف دارو) با طبقه بند k -نزدیکترین همسایگی به ترتیب با صحت ۹۸.۸۵ ،% ۹۸.۴۰ % و ۹۸.۷۲ % دست یابد.نتایج حاصل بیانگر قابلیت مناسب روش پیشنهادی به عنوان روش غیرتهاجمی، کم هزینه و قابل اعتماد در تشخیص کلینیکیبیماری پارکینسون است.

کلیدواژه ها:

بیماری پارکینسون ، یادگیری ماشین ، الکتروانسفالوگرام