طبقه بندی EEG در دو سطح نرمال و دارای اضطراب با استفاده از ویژگی های غیر خطی

اضطراب واکنش طبیعی انسان ها در برابر فشار روانی است که در رویارویی با عوامل مختلف ایجاد می شود. امروزه، حالت های اضطرابی توسط متخصصان با استفاده از نشانه های اضطراب و با ارائه پرسش­هایی تشخیص داده می شود. هدف از این مطالعه تحلیلی-مشاهده ای، طبقه­بندی خودکار دو سطح اضطراب و نرمال با تحلیل سیگنال الکتروانسفالوگرام است. در این مقاله، از پایگاه داده DASPS استفاده شد که حاوی الکتروانسفالوگرام ۱۴ کاناله از ۲۳ نفر (۱۳ زن و ۱۰ مرد، میانگین سن ۳۰ سال) در حین ایجاد اضطراب است. تحریک اضطراب به صورت غرقه سازی، مواجهه واقعی با یک محرک ترسناک ارائه شده است. دادگان بر اساس نتایج آزمون خودارزیابی آدمک به دو گروه (۱) نرمال و اضطراب کم و (۲) اضطراب متوسط و زیاد تقسیم­بندی شدند. آنتروپی تقریبی، بعد فرکتال و نمای لیاپانوف به عنوان ویژگی­های غیر خطی از تمام کانال­ها استخراج شدند. از حداقل افزونگی حداکثر ارتباط برای انتخاب بهترین ویژگی جهت اعمال به شبکه پرسپترون چند لایه استفاده شد. برای ارزیابی عملکرد الگوریتم، ساختارهای مختلف شبکه از حیث تعداد ویژگی و نورون و همچنین ابعاد مختلف ویژگی بررسی شد. ماکزیمم صحت، دقت، f۱-score و حساسیت در ۲۰ بار تکرار در تمامی حالات برابر با ۱۰۰ است و با افزایش تعداد نورون، میانگین صحت افزایش می یابد. بهترین نتایج برای تعداد ۵ ویژگی و ۱۵ نورون بدست آمد که میانگین صحت، دقت، f۱-score و حساسیت برای آن به ترتیب ۸۰ %، ۷۵/۹۲ %، ۱۵/۸۴ % و ۵۸/۸۰ % بود. نتایج این مقاله نشان دهنده­ی توانمندی الگوریتم پیشنهادی برای تشخیص افراد مضطرب از افراد نرمال می­باشد.

کلیدواژه ها:

Electroencephalography ، Anxiety ، Nonlinear features ، Feature selection ، Multilayer perceptron network ، الکتروآنسفالگرافی ، اضطراب ، ویژگیهای غیرخطی ، انتخاب ویژگی ، شبکه پرسپترون چندلایه