%0 Journal Article %T رویکردی جدید در پردازش الکتروانسفالوگرام با استفاده از نقشه‌ی آشوب‌گون چبیشف: کاربرد در طبقه‌بندی اضطراب %J نشریه‌ی علمی مهندسی پزشکی زیستی %I انجمن مهندسی پزشکی ایران %Z 5869-2008 %A دانشمند بهمن, فائزه %A گشوارپور, عاتکه %D 2022 %\ 08/23/2022 %V 16 %N 2 %P 115-131 %! رویکردی جدید در پردازش الکتروانسفالوگرام با استفاده از نقشه‌ی آشوب‌گون چبیشف: کاربرد در طبقه‌بندی اضطراب %K نقشه‌ی آشوب‌گون چبیشف %K اضطراب %K تجزیه و تحلیل اجزای اصلی %K الکتروانسفالوگرام %K طبقه‌بندی %R 10.22041/ijbme.2022.552263.1766 %X 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. %U https://www.ijbme.org/article_696847_d5270bad6d72b1dbbc7de1082e792fc1.pdf