تشخیص بیماری آلزایمر براساس پردازش زمانی و غیرخطی سیگنال EEG

در بیماری آلزایمر به واسطه مرگ سلولهای مغزی، کاهش حافظه و نیروی شناخت پدیدار خواهد شد. این بیماری یک بیماری زوال عقلی است با از بین رفتن قسمت های مختلف مغز که باعث کاهش عملکرد بخش های مختلف مغز در بدن فرد بیمار می شود و سیگنال EEG با اندازه گیری فعالیت الکتریکی مغز اطلاعاتی در مورد فرآیندهای پیچیده دینامیکی مغز جمع آوری می کند که از این طریق می توان به رابطه بین دینامیک عصبی و تغییرات در عملکرد مغز رسید. مجموعه داده این پژوهش شامل ۲۴ فرد سالم و ۲۴ فرد مبتلا به آلزایمر است که با فرکانس نمونه برداری ۱۲۸ هرتز و مدت زمان هشت ثانیه برای هر فرد و در ۱۹ کانال ثبت شده است. در این پژوهش از آنالیزهای زمانی و غیرخطی استفاده شد که نمودار پوانکاره یکی از سیستم های غیرخطی مورد ارزیابی در این پژوهش می باشد و به بررسی ویژگی های معروف نمودار پوانکاره با نام های: SD۱, SD۲ پرداخته است. در ادامه پس از استخراج ویژگی، ارزیابی ویژگی ها بر اساس آنالیز آماری و استخراج ویژگی های موثر جهت نتیجه گیری نهایی انجام شد. در نهایت جهت طبقه بندی اطلاعات و ویژگی های برتر بدست آمده جهت مشخص سازی گروه های سالم و بیمار از یکدیگر به آموزش داده ها برای ارزیابی طبقه بندی کننده KNN استفاده شد. در این پژوهش در جهت تشخیص بیماری آلزایمر به صحت ۹۹.۰۰% و دقت ۹۷.۶۵% و حساسیت ۹۸.۱۵% دست یافته شد. براساس نتایج بدست آمده از آنالیزهای زمانی و غیرخطی بر اساس باالترین دقت و کمترین خطا ناحیه هیپوکامپ بیشترین آثار تخریب در مغز در رابطه با این بیماری را دارد. در نهایت این مطالعه به شناسایی بهترین ویژگی ها از نظر طبقه بندی سیگنال های EEG در بیماری آلزایمر و تشخیص بیماری و شناسایی نواحی درگیر بیماری در مغز با باالترین صحت و دقت و حساسیت پرداخته است.

کلیدواژه ها:

بیماری آلزایمر ، سیگنال EEG ، تشخیص غیرخطی ، تشخیص غیرتهاجمی