طبقه بندی افراد الکلی و غیرالکلی مبتنی بر ویژگی های فرکانسی و غیرفرکانسی سیگنال مغزی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 55

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJBM-14-2_003

تاریخ نمایه سازی: 9 اسفند 1404

چکیده مقاله:

اثر اصلی، عمده و کوتاه مدت مصرف الکل روی سیستم اعصاب مرکزی است. مصرف مشروبات الکلی باعث ایجاد ناتوانی در مغز شده به طوری که مصرف زیاد آن باعث فلج شدن فعالیت­های مغزی، دستگاه تنفس و در نتیجه مرگ می شود. در این مقاله به منظور تشخیص مصرف الکل، سیگنال الکتروانسفالوگرام (EEG) ۲۰ فرد شرکت کننده شامل ۱۰ فرد الکلی و ۱۰ فرد کنترل در ۶۴ کانال مورد بررسی قرار گرفته است. به منظور تحلیل سیگنال EEG، ویژگی­های فرکانسی و غیرفرکانسی شامل طیف توان زیرباندها، آنتروپی جایگشتی، آنتروپی تقریبی، بعد فراکتال کتز و پتروشن استخراج شده است. برای بررسی تفاوت معنادار بین دو گروه الکل و کنترل از تحلیل آماری و از شاخص دیویس-بولدین (DB) برای انتخاب بهترین کانال جهت ایجاد تفکیک بین سیگنال EEG افراد الکلی و کنترل استفاده شده است. نتایج به دست آمده نشان می­دهد که در بین ویژگی­های فرکانسی، توان فرکانسی دومین زیرباند پایین آلفادر افراد الکلی کاهش یافته و با توجه به شاخص DB، کانال CP۳ بهترین تفکیک پذیری را بین گروه الکل و کنترل داشته است. هم چنین در بین ویژگی­های غیرفرکانسی، بعد فراکتال کتز در افراد گروه کنترل افزایش یافته و کانال FP۲ بهترین تفکیک پذیری را داشته است. در ادامه با استفاده از طبقه­بند k-نزدیک ترین همسایه (KNN) با ویژگی­های توان فرکانسی دومین زیرباند پایین آلفا و بعد فراکتال کتز به ترتیب دقت های ۷۱% و ۹۳% به دست آمده است. بر اساس نتایج به دست آمده نشان داده شده که بهترین ویژگی تفکیک کننده ی دو گروه الکل و کنترل، بعد فراکتال کتز و بهترین کانال FP۲ است.

نویسندگان

مریم دوروشی

کارشناسی ارشد، دانشکده ی مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

ندا بهزادفر

استادیار، دانشکده ی مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

غضنفر شاهقلیان

دانشیار، مرکز تحقیقاتی ریزشبکه های هوشمند، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • خدابخشی م.ر.، دوائی مرکزی ا.ح.، "تحلیل دینامیکی و دو شاخگی ...
  • علی پور صفار ا.، شمسی م.، "ارزیابی بخش بندی توام ...
  • R. Willoughby, M. Zambotti, F. C. Baker, I. M. Colrain, ...
  • P. Wang, J. Hu, "A hybrid model for EEG-based gender ...
  • Anuragi, D. S. S. Sisodia, "Empirical wavelet transform based automated ...
  • P. Mohanty, P. Siddharth, K. B. Swain, R. K. Patnaik, ...
  • Hickie, B. Whitwell, "Alcohol and the teenage brain: safest to ...
  • M. Berglund, "Cerebral blood flow in chronic alcoholics", Alcoholism: Clinical ...
  • M. Oishi, Y. Mochizuki, E. Shikata, "Corpus callosum atrophy and ...
  • قدسی س.، محمدزاده ه.، آقاجان ح.، "تحلیل اتصالات مغزی برای ...
  • M. Gorgoni, A. D'Atri, S. Scarpelli, F. Reda, L. De ...
  • G. M. Opie, L. A. Otieno, M. Pourmajidian, J. G. ...
  • زاهدی حقیقی س.س.، سخایی س.م.، دلیری م.ر.، "تشخیص حالت های ...
  • W. Al-salman, Y. Li, P. Wen, M. Diykh, "An efficient ...
  • P. Zarjam, J. Epps, F. Chen, N. H. Lovell, "Classification ...
  • F. Riaz, S. Khadim, R. Rauf, M. Ahmad, S. Jabbar, ...
  • S. J. Brislin, J. E. Hardee, M. E. Martz, L. ...
  • E. Malar, M. Gauthaam, M. Kalaikamal, S. Muthukrishnan, "The EEG ...
  • R. F. Kaplan, B. C. Glueck, M. N. Hesselbrock, H. ...
  • H. Wang, F. He, J. Du, C. Liu, H. Zhao, ...
  • W. Di, C. Zhihua, F. Ruifang, L. Guangyu, L. Tian, ...
  • R. Cao, H. Deng, Z. Wu, G. Liu, H. Guo, ...
  • M. A. Shooshtari, S. K. Setarehdan, "Selection of optimal EEG ...
  • V. Bajaj, Y. Guo, A. Sengur, S. Siuly, and O. ...
  • G. Gopan, N. Sinha, D. Babu, "Hybrid features based classification ...
  • H. Begleiter, L. Ingber, "EEG database data set" Neurodynamics Laboratory, ...
  • J. G. Snodgrass, M. Vanderwart, "A standardized set of ۲۶۰ ...
  • N. Behzadfar, S. M. P. Firoozabadi, K. Badie, "Low-complexity discriminative ...
  • Kraus, C. Cadle, S. Simon-Dack, "EEG alpha acti vity is ...
  • P. Zarjam, J. Epps, F. Chen, N. H. Lovell, "Classification ...
  • S. M. Pincus, "Approximate entropy as a measure of system ...
  • W. Klimesch, "EEG alpha and theta oscillations reflect cognitive and ...
  • N. Druesne-Pecollo, B. Tehard, Y. Mallet, M. Gerber, T. Norat, ...
  • R. Shalbaf, H. Behnam, H. J. Moghadam, "Moni tor ing ...
  • H. Siamaknejad, C. K. Loo, W. S. Liew, "Fractal dimension ...
  • G. Rodriguez-Bermudez, P. J. Garcia-Laencina, "Analysis of EEG signals using ...
  • Martins, A. Duarte, J. Dantas, J. C. Principe, "A new ...
  • V. Konok, A. Marx, T. Faragó, "Attachment styles in dogs ...
  • L. Davies, D. W. Bouldin, "A cluster separation measure", IEEE ...
  • Yazdani, S. K. Setarehdan, "Classification of EEG signals correlated with ...
  • W. Mumtaz, P. L. Vuong, L. Xia, A. S. Malik, ...
  • H. F. Moselhy, G. Georgiou, and A. Kahn, "Frontal lobe ...
  • K. Mittal, G. Aggarwal, P. Mahajan, "Performance study of K-nearest ...
  • S. Bavkar, B. Iyer, S. Deosarkar, "Detection of alcoholism: an ...
  • W. Cherif, "Optimization of K-NN algorithm by clustering and reliability ...
  • Yazdani and S. K. Setarehdan, "Classification of EEG signals correlated ...
  • X. Li, Z. Deng, and J. Zhang, "Function of EEG ...
  • Dousset, H. Kajosch, A. Ingels, E. Schroder, C. Kornreich, S. ...
  • نمایش کامل مراجع