طبقه بندي افراد سالم و اسكيزوفرنيك با استفاده از ويژگي­هاي حوزه زمان - فركانس مستخرج از سيگنال­هاي الكتروآنسفالوگرام

Classification of Healthy People and Schizophrenics Using Time-Frequency Domain Features Extracted from Electroencephalogram Signals

اسكيزوفرني(SZ) يك اختلال مزمن و رواني پيچيده است كه با نقايص عصبي بيولوژيكي همراه است. پيچيدگي و ناهمگني علائم اسكيزوفرني، تشخيص عيني را كه بر اساس تظاهرات رفتاري و باليني است، به چالش مي­كشد. همچنين، ساير بيماري­هاي رواني مانند اختلال دوقطبي يا اختلال افسردگي اساسي اغلب با اسكيزوفرني اشتباه گرفته مي­شوند. پس غربالگري دستي براي تشخيص تنها از طريق مصاحبه روان پزشك با بيمار قابل­اعتماد نيست. از اين رو هدف اين مطالعه ايجاد يك طرح تشخيص خودكار SZ با استفاده از سيگنال هاي الكتروانسفالوگرام است كه به عنوان يك ابزار مكمل براي كمك به روان پزشكان استفاده شود. در اين مقاله روشي جديد بر مبناي استفاده از هرسه حوزه­­ي زمان، فركانس و زمان-فركانس براي­ طبقه بندي سيگنال EEG بيماران  اسكيزوفرني و افراد سالم ارائه شده است. براي اين كار، ويژگي­هاي حوزه زمان، حوزه فركانس، ويژگي­هاي غير­خطي و آماري استخراج و 10 تركيب ويژگي براساس اهميت، توسط روش تركيبي اطلاعات متقابل و جستجوي شناور متوالي رو به جلو انتخاب شده است. سپس طبقه­بندي توسط روش Kنزديكترين همسايه، K نزديكترين همسايه وزن­دار، ماشين بردار پشتيبان خطي و غيرخطي با تابع پايه شعاعي، درخت تصميم، تحليل افتراق خطي و روش بيزين ساده صورت گرفته كه در 5 طبقه­ بند دقت %100 حاصل گرديده است.

Schizophrenia (SZ) is a chronic and complex mental disorder associated with neurobiological defects. The complexity and heterogeneity of schizophrenia symptoms challenge objective diagnosis based on behavioral and clinical manifestations. Also, other mental illnesses such as bipolar disorder or major depressive disorder are often mistaken for schizophrenia. Therefore, manual screening is not reliable for diagnosing only through the psychiatrist s interview with the patient. Therefore, the aim of this study is to develop an automatic SZ detection scheme using electroencephalogram signals to be used as a complementary tool to help psychiatrists. In this article, a new method based on the use of all three domains of time, frequency, and time-frequency is presented to classify the EEG signal of schizophrenic patients and healthy people. For this purpose, the features of time domain, frequency domain, non-linear and statistical features are extracted and 10 combinations of features, based on importance, are selected by the combined method of mutual information and Sequential Forward Feature Selection. Finally, a few classification methods such as K-nearest neighbor, weighted K-nearest neighbor, linear and non-linear support vector machine with radial basis function, decision tree, Linear discriminant analysis, and Naive Bayesian method were applied to the given data and we reached 100% accuracy in our 5 classifications.