ارزیابی استرس و اضطراب با استفاده از پردازش سیگنال های مغزی و مدل های یادگیری ماشین

اختلالات روانی نظیر استرس و اضطراب از مهم ترین چالش های سلامت روان در جوامع مدرن محسوب می شوند که آثار مخربی بر عملکرد شناختی، عاطفی و اجتماعی افراد دارند. وابستگی روش های سنتی تشخیص این اختلالات به ابزارهای ذهنی و پرسشنامه ای، دقت و قابلیت اطمینان این روش ها را به ویژه در شرایط غیرکنترل شده با چالش مواجه کرده است. از این رو، استفاده از نشانگرهای زیستی و ابزارهای عینی نظیر سیگنال های الکتروانسفالوگرافی (EEG) به عنوان روشی نوین در حوزه تشخیص اختلالات روانی مورد توجه قرار گرفته است. در این پژوهش، داده های EEG از گروهی از افراد سالم و مبتلا به اضطراب و استرس جمع آوری و پس از پیش پردازش شامل فیلترگذاری، حذف آرتیفکت ها و تحلیل مولفه های مستقل، ویژگی هایی در حوزه زمان، فرکانس و غیرخطی استخراج شد. این ویژگی ها شامل آنتروپی، بعد فرکتالی، قدرت طیفی امواج بتا و آلفا و شاخص های آماری پایه بوده است. برای طبقه بندی داده ها، از چهار مدل یادگیری ماشین شامل SVM، شبکه عصبی مصنوعی (ANN)، Random Forest و XGBoost استفاده شد. نتایج نشان داد که مدل SVM با هسته RBF با دقت ۹۲ درصد، بهترین عملکرد را در تشخیص حالت های روانی مرتبط با استرس و اضطراب دارد. این پژوهش نشان می دهد که ترکیب تحلیل EEG با یادگیری ماشین می تواند راهکاری دقیق، سریع و غیرتهاجمی برای تشخیص خودکار این اختلالات فراهم آورد و مسیر توسعه ابزارهای پایش سلامت روان در محیط های طبیعی را هموار سازد.

کلیدواژه ها:

استرس ، اضطراب ، سیگنال EEG ، یادگیری ماشین ، آنتروپی ، طبقه بندی ، نشانگرهای زیستی