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

چکیده مقاله

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

کلیدواژه‌ها

نویسندگان

سارا مشیریان

دانشجوی کارشناسی ارشد گروه مهندسی پزشکی دانشگاه بین المللی امام رضا ع

آرزو صنعتی فهندری

دانشجوی کارشناسی ارشد گروه مهندسی پزشکی دانشگاه بین المللی امام رضا ع

ابراهیم دانشی فر

استادیار، گروه مهندسی پزشکی دانشگاه بین المللی امام رضا ع

مشیریان، سارا و صنعتی فهندری، آرزو و دانشی فر، ابراهیم،1404،کاهش ابعاد و طبقه بندی داده های الکتروانسفالوگرام برای تشخیص افسردگی با استفاده از تحلیل مولفه های اصلی و مدل های مخفی مارکوف،هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع،اسفراین

ارائه‌شده در

مجموعه مقالات هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع19 آبان 1404 · اسفراین