تشخيص خودكار اختلال افسردگي اساسي با استفاده از سيگنال الكتروانسفالوگرام و ويژگي‌هاي آنتروپي

اختلال افسردگي اساسي (MDD) يك بيماري شايع رواني است كه در فرد احساس غم و اندوه مداوم ايجاد مي‌كند. اين بيماري مي‌تواند موجب تغيير در تفكر و سبك زندگي شود و كيفيت زندگي افراد را كاهش دهد. در اين مطالعه، يك روش جديد با استفاده از الگوريتم يادگيري ماشين براي تشخيص خودكار MDD با استفاده از سيگنال‌هاي الكتروانسفالوگرام (EEG) ارائه شد. در روش پيشنهادي، ويژگي‌هاي مبتني بر آنتروپي شامل آنتروپي افزايشي, آنتروپي تشابه كسينوسي، آنتروپي پراكندگي و آنتروپي حبابي از سيگنال EEG استخراج شد. سپس، به منظور كاهش ابعاد فضاي ويژگي و همچنين انتخاب بهترين مجموعه از ويژگي‌ها، از الگوريتم انتخاب ويژگي ReliefF استفاده شد. در نهايت بهترين مجموعه ويژگي انتخاب شده به ورودي طبقه بندهاي مختلف نظير K-نزديك‌ترين همسايگي (K-NN). ماشين بردار پشتيبان (SVM) و رگرسيون خطي (LR) اعمال شد. عملكرد روش پيشنهادي با استفاده از يك مجموعه داده شامل سيگنال‌هاي EEG ثبت شده از ۳۴ بيمار مبتلا به MDD و 30 فرد سالم و همچنين روش اعتبارسنجي متقابل 10 فولد مورد ارزيابي قرار گرفت. نتايج نشان داد كه طبقه بند SVM با فراهم كردن ميانگين صحت 0.36±96.01 درصد، ميانگين حساسيت 0.63±95.73 درصد، ميانگين اختصاصيت 0.76±96.32 درصد بهترين عملكرد را در جداسازي افراد مبتلا به MDD از افراد سالم ارائه مي‌كند. نتايج تجربي نشان داد چهارچوب پيشنهادي مي‌تواند در تشخيص باليني MDD به عنوان ابزار كمكي مورد استفاده پزشكان قرار بگيرد.