نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• فائزه دانشمندبهمن ¹
• عاتکه گشوارپور ²

¹ گروه مهندسی پزشکی، دانشگاه بین المللی امام رضا(ع)، مشهد، ایران

² روه مهندسی پزشکی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران

چکیده

اختلالات اضطرابی از شایع‌ترین و ناتوان‌کننده‌ترین اختلالات روانی در سراسر جهان به شمار می-آیند. از طرفی، از سال 2019 با شیوع کووید-19 اضطراب بین مردم و به‌خصوص کادر درمان افزایش پیدا کرده‌است. در حال حاضر اضطراب (زمانیکه علائم کافی و شدید باشد) با استفاده از پرسشنامه و توسط افراد متخصص تشخیص داده‌می‌شود. برای رفع این کاستی، اخیرا توجه محققان به استفاده از سیگنال‌های مغزی جلب شده‌است. به همین منظور، مطالعه حاضر با هدف تشخیص اضطراب با استفاده از سیگنال مغزی انجام شده‌است. نوآوری این مطالعه استفاده از نقشه آشوبگون چبیشف برای اولین بار در تحلیل سیگنال بیولوژیکی است. در این مطالعه از پایگاه داده DASPS استفاده‌شد که شامل الکتروآنسفالوگرام (Electroencephalogram; EEG) 14 کاناله از 23 نفر (10 مرد و 13 زن، با میانگین سنی 30 سال) است. از نمرات آزمون خودارزیابی آدمک برای تقسیم اضطراب به دو و چهار سطح استفاده شد. ابتدا داده‌ها نرمال سازی شدند. سپس، نقشه آشوبگون بازسازی و به 128 نوار تقسیم شد. چگالی نقاط در هر یک از نوارها محاسبه شد. دو شاخص 1) حداکثر چگالی و 2) نمونه مربوط به آن، به عنوان ویژگی در نظر گرفته‌شد. در نهایت ویژگی‌ها به 5 روش، (1) ویژگی 1 تمام کانال‌ها، (2) نگاشت ویژگی 1 تمام کانال‌ها با استفاده از تجزیه و تحلیل اجزای اصلی(Principal Components Analysis; PCA)، (3) ویژگی 2 تمام کانال-ها، (4) نگاشت ویژگی 2 تمام کانال‌ها با استفاده از PCA و (5) هر ویژگی-هر کانال به طور جداگانه به دو طبقه‌بند ماشین‌های بردار پشتیبانی (Support Vector Machines; SVM) و k-نزدیک ترین همسایه‌ها (K-Nearest Neighbors; K-NN) اعمال شدند. نتایج حاکی از حداکثر صحت 75/93 % برای تشخیص دو سطح اضطراب و 15/96 % برای تشخیص چهار سطح اضطراب است. علاوه بر این، عملکرد K-NN از SVM بهتر بود. در نتیجه می‌توان الگوریتم پیشنهادی را به عنوان یک رویکرد مناسب برای تشخیص اضطراب معرفی کرد.

کلیدواژه‌ها

• نقشه آشوبگون چبیشف
• اضطراب
• تجزیه و تحلیل اجزای اصلی
• الکتروانسفالوگرام
• طبقه بندی

موضوعات

• پردازش سیگنال‌های حیاتی

عنوان مقاله [English]

A new EEG processing approach using the Chebyshev chaotic map: Application in anxiety classification

نویسندگان [English]

• Faezeh Daneshmand-Bahman ¹
• Ateke Goshvarpour ²

¹ Department of Biomedical Engineering, Imam Reza International University, Mashhad, Razavi Khorasan, Iran.

² Department of Biomedical Engineering, Imam Reza International University, Mashhad, Razavi Khorasan, Iran.

چکیده [English]

Anxiety disorders are one of the most common and debilitating mental disorders worldwide. On the other hand, since 2019, with the outbreak of Covid-19, anxiety has increased among people, especially the medical staff. Currently, anxiety is diagnosed (when the symptoms are severe enough) using a questionnaire by a specialist. To resolve this shortcoming, researchers have recently paid attention to the use of brain signals. Consequently, the present study aimed to diagnose anxiety using brain signals. The novelty of this study is the use of the Chebyshev chaotic map for the first time in biological signal analysis. It used the DASPS database, which includes a 14-channel electroencephalogram (EEG) of 23 people (10 men and 13 women, with a mean age of 30 years). The self-assessment manikin scores were used to divide anxiety into two and four levels. First, the data were normalized. Then, the chaotic map was reconstructed and divided into 128 strips. The density of points in each of the strips was calculated. Two indicators were considered as features, 1) maximum density and 2) its corresponding sample. Finally, features were applied to Support Vector Machines (SVM) and k-Nearest Neighbors (K-NN) in 5 ways, (1) feature 1 of all channels, (2) feature1 mapping of all channels using principal component analysis (PCA) (3) feature 2 of all channels, (4) feature2 mapping of all channels using PCA and (5) each feature - each channel separately. The results show a maximum accuracy of 93.75 % for diagnosing two levels of anxiety and 96.15 % for diagnosing four levels of anxiety. In addition, K-NN outperformed SVM. Accordingly, the proposed algorithm can be introduced as a suitable approach for diagnosing anxiety.

کلیدواژه‌ها [English]

• Chebyshev chaotic map
• Anxiety
• Principal component analysis
• Electroencephalogram
• Classification