طبقه بندی بیماری های آلزایمر و اسکیزوفرنی با تحلیل ویژگی های آماری و غیرخطی سیگنال های EEG: تمرکز بر آنتروپی فازی

بیماری های آلزایمر و اسکیزوفرنی از جمله اختلالات شایع و پیچیده عصبی-روانشناختی هستند که تشخیص افتراقی آن ها، به ویژه در مراحل اولیه، با چالش های قابل توجهی همراه است. روش های تشخیصی موجود، با وجود ارائه اطلاعات ارزشمند، اغلب پرهزینه و در برخی موارد تهاجمی هستند. در این پژوهش، یک روش غیرتهاجمی و مقرون به صرفه مبتنی بر سیگنال های EEG و الگوریتم های یادگیری ماشین برای تفکیک این دو بیماری ارائه شده است. در روش پیشنهادی، سیگنال های EEG ابتدا با استفاده از تبدیل فوریه سریع (FFT) به زیرباندهای فرکانسی مختلف تجزیه شده و سپس مجموعه ای از ویژگی های آماری و غیرخطی شامل کشیدگی، چولگی، آنتروپی شنون، آنتروپی فازی، تحرک و پیچیدگی با استفاده از الگوریتم ReliefF انتخاب و به ورودی طبقه بندهایی نظیر k نزدیک ترین همسایگی، ماشین بردار پشتیبان با هسته خطی، جنگل تصادفی و غیره اعمال شده اند. ارزیابی عملکرد روش پیشنهادی بر روی پایگاه داده اول، متشکل از دو بخش متفاوت شامل داده های بیماران مبتلا به آلزایمر و اسکیزوفرنی، نشان داد که طبقه بند جنگل تصادفی (RF) با دستیابی به میانگین صحت ۹۸/۶۱ درصد بهترین عملکرد را ارائه داده است. علاوه بر این، ارزیابی بر روی پایگاه داده دوم نیز انجام شد و روش پیشنهادی با استفاده از همان طبقه بند، به میانگین صحت ۸۸/۱۱ درصد دست یافت که کارایی بالای مدل را در افتراق بیماران مبتلا به آلزایمر و اسکیزوفرنی تایید می کند. لازم به ذکر است که ویژگی آنتروپی فازی در هر دو پایگاه داده به طور معناداری نسبت به سایر ویژگی ها عملکرد برتری داشته و به عنوان یک شاخص کلیدی در تفکیک این دو بیماری عمل کرده است.

کلیدواژه ها:

بیماری آلزایمر ، اسکیزوفرنی ، الکتروانسفالوگرام ، یادگیری ماشین ، آنتروپی فازی