ارائه یک چارچوب مبتنی بر EEG و یادگیری ماشین برای تشخیص بیماری پارکینسون با تاکید بر اختلالات شناختی

بیماری پارکینسون یکی از شایع ترین اختلالات نورودژنراتیو است که علاوه بر علائم حرکتی، با طیفی از علائم غیرحرکتی به ویژه اختلالات شناختی همراه است. شناسایی زودهنگام این بیماری و ارزیابی تغییرات شناختی مرتبط با آن می تواند نقش مهمی در بهبود تصمیم گیری های بالینی و انتخاب راهبردهای درمانی مناسب داشته باشد. در این راستا، سیگنال الکتروانسفالوگرافی (EEG) به عنوان یک ابزار غیرتهاجمی، در دسترس و کم هزینه، ظرفیت بالایی برای استخراج نشانگرهای زیستی مرتبط با عملکرد مغز در بیماران مبتلا به پارکینسون دارد. با این حال، ماهیت پیچیده، پرنویز و پربعد این سیگنال ها، تحلیل و طبقه بندی آن ها را با چالش مواجه می سازد. در این پژوهش، یک چارچوب مبتنی بر یادگیری ماشین برای تشخیص بیماری پارکینسون با استفاده از سیگنال های EEG و با تاکید بر جنبه های شناختی مرتبط با بیماری ارائه شده است. داده های مورد استفاده از مجموعه داده UNM Timing Interval PD استخراج شده اند. در مرحله پیش پردازش، سیگنال ها با فیلتر میان گذر ۱ تا ۳۰ هرتز پالایش شده، سپس با روش z-score نرمال سازی و در بازه های ۱۰ ثانیه ای قطعه بندی شدند. پس از استخراج ویژگی، به منظور کاهش بعد و حفظ اطلاعات موثر، سه روش تحلیل عاملی، PCA و t-SNE به کار گرفته شد. در ادامه، عملکرد سه طبقه بند SVM، KNN و درخت تصمیم با استفاده از اعتبارسنجی متقابل ۵-بخشی مورد ارزیابی قرار گرفت. نتایج نشان داد که ترکیب مناسب روش های کاهش بعد و طبقه بندی می تواند دقت بالایی در تفکیک بیماران مبتلا به پارکینسون از افراد سالم فراهم کند. در میان مدل های بررسی شده، طبقه بند KNN بهترین عملکرد را ارائه داد و به دقت ۹۶.۸۰ درصد، حساسیت ۹۹.۰۰ درصد و ویژگی ۹۲.۴۲ درصد دست یافت. یافته های این پژوهش نشان می دهد که استفاده از سیگنال های EEG در کنار روش های یادگیری ماشین می تواند به عنوان رویکردی موثر و امیدبخش برای تشخیص پارکینسون و بررسی پیامدهای شناختی مرتبط با آن مورد استفاده قرار گیرد.

کلیدواژه ها:

بیماری پارکینسون ، EEG ، یادگیری ماشین ، اختلال شناختی ، کاهش بعد ، طبقه بندی