ارائه کننده: رومینا مقدم استاد راهنما: دکتر بابک محمدزاده اصل استاد ناظر داخلی اول: دکتر زهرا بهمنی دهکردی استاد ناظر خارجی اول: دکتر مریم محبی (دانشگاه خواجه نصیر) تاریخ: 1402/12/22 ساعت: 9 تا 10:30 مکان: اتاق شورا گروه عمران دانشکده فنی و مهندسی
چکیده: اختلال افسردگی اساسی (MDD) یک بیماری شایع روانی است که در فرد احساس غم و اندوه مداوم ایجاد میکند. این بیماری میتواند موجب تغییر در تفکر و سبک زندگی شود و کیفیت زندگی افراد را کاهش دهد. در این مطالعه، یک روش جدید با استفاده از الگوریتم های مبتنی بر یادگیری ماشین برای تشخیص خودکار MDD از روی سیگنالهای الکتروانسفالوگرام (EEG) ارائه شد. در روش پیشنهادی، ویژگی های مبتنی بر آنتروپی شامل آنتروپی افزایشی، آنتروپی تشابه کسینوسی، آنتروپی پراکندگی و آنتروپی حبابی با روش سلسله مراتبی از پنجره های پیش پردازش شده سیگنال EEG استخراج شد. سپس، از الگوریتم انتخاب ویژگیReliefF به منظور کاهش ابعاد فضای ویژگی و همچنین انتخاب بهترین مجموعه از ویژگی ها استفاده شد. درنهایت بهترین مجموعه ویژگی انتخاب شده به ورودی طبقه بندهای مختلف نظیر -Kنزدیکترین همسایگی(K-NN)، ماشین بردار پشتیبان (SVM) و GentleBoost اعمال شد. عملکرد روش پیشنهادی با استفاده از یک مجموعه داده شامل سیگنالهای EEG ثبت شده از30 بیمار مبتلا به MDD و 28 فرد سالم و همچنین روش اعتبارسنجی متقابل10 فولد مورد ارزیابی قرار گرفت. نتایج نشان داد که طبقه بندGentleBoost با فراهمکردن میانگین صحت 18/0± 47/ 99 درصد، میانگین حساسیت 17/0± 63/99 درصد، میانگین اختصاصیت 31/0± 31/99 درصد و میانگین امتیازf1- 18/0 ± 48/99 درصد بهترین عملکرد را در جداسازی افراد مبتلا به MDD از افراد سالم ارائه میکند. نتایج تجربی نشان داد چارچوب پیشنهادی میتواند در تشخیص بالینی MDD به عنوان ابزار کمکی مورد استفاده پزشکان قرار بگیرد. |