استخراج الگوهاي فضايي طيفي از سيگنال‌هاي الكتروانسفالوگرام براي تشخيص اختلال شناختي خفيف

Extracting Spatial Spectral Patterns from EEG Signals for Diagnosis of Mild Cognitive Impairment

اختلال شناختي خفيف (MCI) مرحله ابتدايي بيماري آلزايمر (AD) قلمداد مي‌شود. تشخيص زودهنگام اين عارضه، احتمال درمان و جلوگيري از تبديل آن به زوال عقلي را افزايش مي‌دهد. هدف اين مطالعه، تفكيك و طبقه‌بندي دو گروه افراد سالم و بيماران MCI به‌وسيله روش پردازشي پيشرفته با به‌كارگيري فيلترهاي فضايي-طيفي در استخراج ويژگي از سيگنال‌هاي الكتروانسفالوگرام EEG است. روش پيشنهادي بانك فيلتر الگوي فضايي مشترك (FBCSP) است كه اخيراً در مطالعات واسط‌ هاي مغز و كامپيوتر براي جداسازي تصورات حركتي با موفقيت استفاده شده است ولي تاكنون در كاربرد تشخيص MCI بررسي و به‌كارگيري نشده است. تحليل و بررسي روي داده‌هاي 9 فرد بيمار MCI و 12 فرد سالم صورت گرفته و با روش‌هاي رايج استخراج ويژگي از توان باندهاي فركانسي و الگوي فضايي مشترك (CSP) كلاسيك مقايسه شده است. به‌كارگيري روش FBCSP دقت تفكيك 100 درصد را در ارزيابي با يك نمونه خارج شده درپي داشت. يافته‌هاي اين مطالعه، برتري قابل توجه روش FBCSP نسبت به روش توان باندهاي فركانسي و CSP كلاسيك را در دقت تشخيص MCI نشان مي‌دهد. نتايج اين مطالعه بر نقش استفاده از تركيب‌هاي فضايي يادگيري شده در هريك از زير باندهاي فركانسي براي استخراج ويژگي‌هاي مؤثر در تفكيك افراد سالم از بيماران MCI تأكيد دارد.

Mild cognitive impairment (MCI) is an early stage of Alzheimer's disease (AD). Early diagnosis of this disease increases the likelihood of the treatment and prevents its conversion to dementia. The purpose of this study is the discrimination and the classification of two groups of healthy and MCI subjects by an advanced method of extracting spatial spectral features from electroencephalographic (EEG) signals. Filter bank common spatial pattern (FBCSP) has been recently used for classifying motor imagery EEG data in brain-computer interface researches. Here, we propose using FBCSP for classifying EEG data from healthy and MCI subjects. The proposed method was tested and compared to the popular method of frequency band-power and to the classic common spatial pattern (CSP) using a dataset of 9 MCI patients and 12 healthy subjects. A leave-one-out cross validation, using FBCSP resulted in a classification accuracy of 100% and outperformed both the frequency band-power and classic CSP methods. These results reveal the important role of using the learned spatial combinations of EEG signals in different frequency bands as effective features for discrimination of MCI and normal subjects.