tsta

Home / سی و دومین کنفرانس ملی و دهمین کنفرانس بین المللی مهندسی زیست پزشکی ایران

طبقه بندی بیماران پارکینسون و افراد سالم با بهره گیری از ویژگیهای غیرخطی و الگوریتم های یادگیری ماشین

Authors :

محمد جواد عبدی¹ پریا شکری² امیرحسین تجرد³ تانیا حسین خانی⁴ اصغر زارعی⁵

1- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران 2- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران 3- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران 4- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران 5- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران

Keywords :

آنتروپی تجزیه مقدار منفرد،آنتروپی فازی،الکتروانسفالوگرافی (EEG)،بیماری پارکینسون،تحلیل نوسانات چندفراکتالی بدون روند،تشخیص خودکار،طبقه‌بندی،یادگیری ماشین

Abstract :

چکیده - بیماری پارکینسون یک اختلال عصبی پیش‌رونده است که با از دست دادن نورون‌های دوپامینرژیک و علائمی مانند لرزش، سفتی عضلات و کندی حرکات مشخص می‌شود، و تشخیص بالینی آن به دلیل پیچیدگی و دشواری در مراحل اولیه چالش‌برانگیز است. در این پژوهش، سیگنال‌های الکتروانسفالوگرافی از پایگاه داده عمومی PRED+CT پس از پیش‌پردازش و تقسیم به بخش‌های زمانی 2 ثانیه‌ای، مورد تحلیل قرار گرفتند. ویژگی‌های غیرخطی شامل آنتروپی فازی، آنتروپی تجزیه مقدار منفرد (SVD) و تحلیل نوسانات چندفراکتالی بدون روند (MFDFA) استخراج شده و به مدل‌های طبقه‌بندی شامل ماشین بردار پشتیبان (SVM)، kنزدیک همسایه (KNN)، درخت تصمیم، جنگل تصادفی و XGBoost اعمال شدند. نتایج نشان داد که KNN با میانگین صحت %99/87 در تمایز افراد سالم از بیماران پارکینسون بدون مصرف دارو و SVM و KNN با میانگین صحت %99.97 در تمایز بیماران با و بدون مصرف دارو عملکرد برجسته‌ای داشتند. در سناریوی سه‌کلاسه SVM و KNN با میانگین صحت %99.92 بهترین نتایج را ارائه کردند. همچنین، منحنی‌های ROC با سطح زیر منحنی برابر 1.00 در تمام سناریوها، دقت کامل مدل‌ها را تأیید می‌کنند. این یافته‌ها پتانسیل بالای روش پیشنهادی را به عنوان یک ابزار تشخیصی غیرتهاجمی، دقیق و سریع برای تشخیص زودهنگام و نظارت بر اثرات درمانی پارکینسون تأیید می‌کنند، که می‌تواند در عمل بالینی به کار گرفته شود.