کاهش ابعاد و طبقه بندی داده های الکتروانسفالوگرام برای تشخیص افسردگی با استفاده از تحلیل مولفه های اصلی و مدل های مخفی مارکوف

افسردگی یکی از شایع ترین اختلالات روانی در جهان است و تشخیص به موقع آن نقش مهمی در پیشگیری و درمان موثر دارد. در این پژوهش، یک رویکرد ترکیبی مبتنی بر سیگنال های الکتروانسفالوگرام برای تشخیص افسردگی ارائه شده است که از تحلیل مولفه های اصلی (PCA) برای کاهش ابعاد و حذف نویز و از مدل مخفی مارکوف (HMM) برای استخراج ویژگی های پنهان و دینامیک زمانی استفاده می کند. داده ها شامل ثبت های الکتروانسفالوگرام از ۲۸ فرد مبتلا به افسردگی اساسی و ۱۴ فرد سالم در ۱۹ کانال و دو حالت چشم باز و چشم بسته است. ویژگی های استخراج شده با دو الگوریتم طبقه بندی ماشین بردار پشتیبان (SVM) و نیوساده (Naive Bayes) تحلیل شدند. نتایج نشان داد که در حالت چشم باز، Naive Bayes صحت ۹۳٪ و امتیاز F۱ برابر ۹۴ داشت، در حالی که SVM صحت ۸۵٪ و امتیاز F۱ آن ۸۶ بود. در حالت چشم بسته Naive Bayes صحت ۹۱٪ و امتیاز F۱ برابر ۹۱ داشته و SVM صحت ۸۸ و امتیاز F۱ آن ۸۷٪ گزارش شد. این یافته ها نشان می دهد که هر دو مدل توانایی بالایی در تمایز افراد مبتلا به افسردگی از افراد سالم دارند و می توانند به عنوان ابزاری موثر برای پایش و تشخیص خودکار افسردگی مورد استفاده قرار گیرند.

کلیدواژه ها:

افسردگی ، الکتروانسفالوگرام ، پردازش سیگنال ، مدل مخفی مارکوف ، طبقه بندی