@article { author = {Daneshmand-Bahman, Faezeh and Goshvarpour, Ateke}, title = {A New EEG Processing Approach using the Chebyshev Chaotic Map: Application in Anxiety Classification}, journal = {Iranian Journal of Biomedical Engineering}, volume = {16}, number = {2}, pages = {115-131}, year = {2022}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2022.552263.1766}, abstract = {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) feature 2 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.}, keywords = {Chebyshev chaotic map,Anxiety,Principal Component Analysis,Electroencephalogram,Classification}, title_fa = {رویکردی جدید در پردازش الکتروانسفالوگرام با استفاده از نقشه‌ی آشوب‌گون چبیشف: کاربرد در طبقه‌بندی اضطراب}, abstract_fa = {اختلالات اضطرابی از شایع­ترین و ناتوان‌کننده­ترین اختلالات روانی در سراسر جهان به شمار می­آیند. از طرف دیگر از سال 2019 با شیوع کووید-19 اضطراب بین مردم و به خصوص کادر درمان افزایش پیدا کرده است. در حال حاضر اضطراب (زمانی که علائم کافی و شدید باشد) با استفاده از پرسش‌نامه و توسط افراد متخصص تشخیص داده می­شود. برای رفع این کاستی، اخیرا توجه محققان به استفاده از سیگنال­های مغزی جلب شده است. به همین منظور مطالعه‌ی حاضر با هدف تشخیص اضطراب با استفاده از سیگنال مغزی انجام شده است. نوآوری این مطالعه استفاده از نقشه‌ی آشوب‌گون چبیشف برای اولین بار در تحلیل سیگنال‌های بیولوژیکی است. در این مطالعه از پایگاه داده‌ی DASPS استفاده شده که شامل الکتروانسفالوگرام 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 شده است. ابتدا داده­ها نرمال‌سازی شده و سپس نقشه‌ی آشوب‌گون بازسازی و به 128 نوار تقسیم شده است. چگالی نقاط در هر یک از نوارها محاسبه شده است. دو شاخص حداکثر چگالی و نمونه‌ی مربوط به آن به عنوان ویژگی در نظر گرفته شده است. در نهایت ویژگی‌ها به 5 روش شامل ویژگی 1 تمام کانال­ها، نگاشت ویژگی 1 تمام کانال­ها با استفاده از تجزیه و تحلیل اجزای اصلی (PCA)، ویژگی 2 تمام کانال­ها، نگاشت ویژگی 2 تمام کانال­ها با استفاده از PCA و هر ویژگی-هر کانال به طور جداگانه به دو طبقه­بند ماشین بردار پشتیبان (SVM) و K-نزدیک‌ترین همسایه (K-NN) اعمال شده است. 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 بوده است. در نتیجه می­توان الگوریتم پیشنهادی را به عنوان یک رویکرد مناسب برای تشخیص اضطراب معرفی کرد.}, keywords_fa = {نقشه‌ی آشوب‌گون چبیشف,اضطراب,تجزیه و تحلیل اجزای اصلی,الکتروانسفالوگرام,طبقه‌بندی}, url = {https://www.ijbme.org/article_696847.html}, eprint = {https://www.ijbme.org/article_696847_d5270bad6d72b1dbbc7de1082e792fc1.pdf} }