27217

تشخيص افسردگي با استفاده از روش هاي يادگيري ماشين در سيگنال هاي الكتروانسفالوگرام

كارشناسي ارشد

مهندسي پزشكي- بيوالكتريك

1398

1401/6/7

وحيد شالچيان

رضا رستمي

مهندسي برق

امروزه افسردگي يك بيماري رواني شايع است و به عنوان يك معضل اجتماعي در سراسر جهان شناخته شده‌است كه با خلق پايين و اختلال در عملكرد همراه‌است. از اين رو شناسايي دقيق و زودهنگام افسردگي يكي از چالش‌هاي حاضر مي‌باشد. اخيرا تشخيص خودكار افسردگي توسط سيگنال‌هاي الكتروانسفالوگرام (EEG) كه يك ابزار غيرتهاجمي، ارزان، قدرتمند و با وضوح زماني بالاست توجه بسياري را جلب كرده است. در اين پژوهش ويژگي‌هاي خطي در باند فركانسي كامل، ويژگي‌هاي غيرخطي ، ويژگي‌هاي آماري در باند فركانسي كامل و 5 زير باند و همچنين ويژگي‌هاي مبتني بر جفت‌شدگي فركانسي متقابل براي طبقه‌بندي بيماران افسرده و افراد سالم استخراج شدند. 22 بيمار مبتلا به افسردگي اساسي و 15 فرد سالم در اين پژوهش شركت كردند. پس از استخراج ويژگي،‌ ويژگي‌هاي آماري معني‌دار توسط آزمون آماري ويلكاكسون و كراسكال واليس انتخاب شدند و توسط طبقه‌بندهاي ماشين بردار پشتيبان، k نزديك‌ترين همسايه، تجزيه و تحليل تفكيك خطي، درخت تصميم‌گيري‌گيري و رگرسيون لجستيك طبقه‌بندي شدند. نتايج حاصل از تجزيه و تحليل آماري و طبقه‌بندي ويژگي هاي خطي، غيرخطي و آماري، به ترتيب نواحي پس‌سر راست در باند بتا و گيجگاهي چپ(T5) در باند بتا به عنوان مناطقي كه بيش‌ترين تفاوت‌هاي آماري معني‌دار بين دو گروه را نشان دادند شناخته شدند. نتايج حاصل از تجزيه و تحليل آماري و طبقه‌بندي در ويژگي‌هاي مبتني بر جفت‌شدگي فركانسي متقابل به ترتيب جفت‌شدگي فركانس-فركانس محاسبه شده بين جفت كانال‌ها و جفت‌شدگي فاز-فاز در حالتي كه حداكثر مقدار جفت‌شدگي بين يك الكترود از نيم‌كره راست با هر ناحيه محاسبه شد، عملكرد بهتري نشان‌دادند. جفت‌شدگي فركانس-فركانس و فاز-فاز، به عنوان يك نشانگر زيستي بلقوه عمل كردند و هر 10 ويژگي انتخاب شده از جفت‌شدگي فركانس-فركانس بصورت مجزا به صحت 100% دست‌يافتند. همچنين دريافتيم تركيب باند بتا و باند گاما صحت طبقه‌بندي را افزايش مي‌دهد. علاوه بر اين ويژگي‌هاي مبتني بر جفت‌شدگي فركانسي متقابل نسبت به ساير ويژگي ها از عملكرد بهتري برخوردار بودند.

1401/08/08

Diagnosing depression using machine learning methods in electroencephalogram signals

8/29/2023 12:00:00 AM

Today, depression is a common mental illness recognized as a social problem worldwide, associated with low mood and dysfunction. Therefore, accurate and early identification of depression is one of the current challenges. Recently, the automatic diagnosis of depression by electroencephalogram (EEG) signals, a non-invasive, cheap, robust, and high-time resolution tool, has attracted much attention. This research extracted linear features in the whole frequency band, non-linear features, statistical features in the whole frequency band and five sub-bands, and features based on the cross-frequency coupling to classify depressed patients and healthy groups. Twenty-two patients with major depresive disorder and 15 healthy individuals participated in this research. After feature extraction, features with statistically significant were selected by Wilcoxon and Kruskal-Wallis statistical tests and classified by support vector machine, k-nearest neighbor, linear discriminant analysis, decision tree, and logistic regression. Statistical analysis and classification results of linear, non-linear, and statistical features showed the most statistically significant differences between the two groups in the right occipital regions and the left temporal region (T5) in the beta band. Statistical analysis and classification results in features based on cross-frequency coupling showed better performance in frequency-frequency coupling and phase-phase coupling. Frequency-frequency and phase-phase coupling acted as a potential biomarkers, and all ten features selected from frequency-frequency coupling individually achieved 100% accuracy. We also found that the combination of the beta band and gamma band increases the classification accuracy. In addition, features based on cross-frequency coupling had better performance than other measures.

Parisa Raoof

Dr. Shalchian