تشخیص بیماری اسکیزوفرنی مبتنی بر تجزیه و تحلیل شاخصهای غیرخطی با استفاده از سیگنال EEG

بیماری اسکیزوفرنی از اختلالات حوزه روان پزشکی محسوب می شود و تشخیص به موقع آن کمک شایانی به فرآیند تشخیص و درمان بیماران می کند. این بیماری با تغییر در واکنش های شناختی، رفتاری و ادراکی همراه است. بر اساس ماهیت سیگنال های الکتروانسفالوگرافی (EEG) و ضبط فعالیت مغزی از این ابزار غیرتهاجمی در بررسی عملکرد مغز می توان بهره گرفت. در این مطالعه، با بهره گیری از تحلیل های غیرخطی و به ویژه نظر به ماهیت آشوبگون سیگنال EEG، تالش شده است تا الگوهای متمایزی در سیگنال EEG بیماران مبتلا به اسکیزوفرنی نسبت به افراد سالم شناسایی شود. بعد فراکتال، نمای لیاپانوف و آنتروپی K-S از اصلی ترین شاخص های آشوبی است که به منظور اندازه گیری میزان پیچیدگی دینامیکی فعالیت مغزی در این پژوهش استفاده شده است. داده های مورد استفاده در این مطالعه شامل ۴۵ فرد بیمار و ۳۹ فرد سالم است و بر همین اساس بعد از آماده سازی داده به استخراج ویژگی های حوزه غیرخطی پرداخته شد و سپس با استفاده از آنالیز آماری P-value، ویژگی های برتر انتخاب گردید و به الگوریتم های یادگیری ماشین جهت تشخیص بیماری وارد شد. با طبقه بندی کننده k نزدیک ترین همسایه بهترین نتایج به صورت صحت ۹۳.۹۶%، حساسیت ۹۱.۳۲% و ویژگی ۹۰.۵۳% به دست آمد. دقت باالی به دست آمده در مقایسه با سایر تحقیقات روی داده های مشابه نشان می دهد روش پیشنهادی بر اساس ویژگی های غیرخطی از کارایی قابل ملاحظه ای در تشخیص بیماری اسکیزوفرنی برخوردار است.

کلیدواژه ها:

بیماری اسکیزوفرنی ، سیگنال الکتروانسفالوگرام ، آنالیز آشوبی ، الگوریتم های یادگیری ماشین ، تشخیص به کمک کامپیوتر