ارزیابی الگوریتمهای طبقه بندی بر اساس ویژگیهای استخراج شده از سیگنالهای الکترو آنسفالوگرام افراد مبتلا به افسردگی و سالم در دو وضعیت بینایی

افسردگی اساسی یکی از شایع ترین اختلالات روانی است که میتواند تاثیرات منفی زیادی بر عملکرد شناختی و عاطفی فرد بگذارد. شناسایی دقیق و به موقع این اختلال میتواند به بهبود فرآیندهای درمانی کمک کند در این پژوهش به شناسایی ویژگیهای مغزی مرتبط با افسردگی اساسی از طریق سیگنالهای الکتروانسفالوگرافی (EEG) پرداخته شده است. داده ها از دو گروه شامل افراد سالم و مبتلا به افسردگی اساسی در دو وضعیت چشم باز و چشم بسته جمع آوری شدهاند از ۱۲ ویژگی مختلف شامل بعد فراکتال هیگوچی، آنتروپی شانون فعالیت و تحرک و پیچیدگی، هیوث انرژی کل و توان باندهای مختلف EEG برای تحلیل استفاده شد. پس از پیش پردازش و استخراج ویژگی ها تحلیل مولفههای اصلی برای کاهش ابعاد داده ها انجام شد. سپس پنج مدل طبقه بندی شامل K-نزدیکترین همسایه، رگرسیون لجستیک، درخت تصمیم، نیو بیز و ماشین بردار پشتیبان برای طبقه بندی داده ها به کار گرفته شدند. نتایج نشان داد که مدل نیو بیز با صحت ۹۱/۶۷ و ۸۳/۳۳ در وضعیتهای چشم باز و چشم بسته بهترین عملکرد را داشت. این مطالعه نشان میدهد که ویژگیهای استخراج شده از سیگنال مغزی میتوانند ابزار موثری برای شناسایی افسردگی باشند.

کلیدواژه ها:

پردازش سیگنال ، الکترو آنسفالوگرام ، استخراج ویژگی ، طبقه بندی ، افسردگی