كليدواژه :
الكتروآنسفالگرافي , اضطراب , ويژگي هاي غيرخطي , انتخاب ويژگي , شبكه پرسپترون چندلايه
چكيده فارسي :
اضطراب واكنش طبيعي انسان‌ها در برابر فشار رواني است كه در رويارويي با عوامل مختلف ايجاد مي‌شود. امروزه، حالت‌هاي اضطرابي توسط متخصصان با استفاده از نشانه‌هاي اضطراب و با ارائه پرسش هايي تشخيص داده مي‌شود. هدف از اين مطالعه تحليلي-مشاهده‌اي، طبقه بندي خودكار دو سطح اضطراب و نرمال با تحليل سيگنال الكتروانسفالوگرام است. در اين مقاله، از پايگاه داده DASPS استفاده شد كه حاوي الكتروانسفالوگرام 14 كاناله از 23 نفر (13 زن و 10 مرد، ميانگين سن 30 سال) در حين ايجاد اضطراب است. تحريك اضطراب به صورت غرقه سازي، مواجهه واقعي با يك محرك ترسناك ارائه شده است. دادگان بر اساس نتايج آزمون خودارزيابي آدمك به دو گروه (1) نرمال و اضطراب كم و (2) اضطراب متوسط و زياد تقسيم بندي شدند. آنتروپي تقريبي، بعد فركتال و نماي لياپانوف به عنوان ويژگي هاي غير خطي از تمام كانال ها استخراج شدند. از حداقل افزونگي حداكثر ارتباط براي انتخاب بهترين ويژگي جهت اعمال به شبكه پرسپترون چند لايه استفاده شد. براي ارزيابي عملكرد الگوريتم، ساختارهاي مختلف شبكه از حيث تعداد ويژگي و نورون و همچنين ابعاد مختلف ويژگي بررسي شد. ماكزيمم صحت، دقت، f1-score و حساسيت در 20 بار تكرار در تمامي حالات برابر با 100 است و با افزايش تعداد نورون، ميانگين صحت افزايش مي‌يابد. بهترين نتايج براي تعداد 5 ويژگي و 15 نورون بدست آمد كه ميانگين صحت، دقت، f1-score و حساسيت براي آن به ترتيب 80 %، 92/75 %، 84/15 % و 80/58 % بود. نتايج اين مقاله نشان دهندهي توانمندي الگوريتم پيشنهادي براي تشخيص افراد مضطرب از افراد نرمال مي باشد.
چكيده لاتين :
Anxiety is a natural reaction of humans to stress that occurs in the face of various factors. Anxiety is considered as a mental illness if it is excessive and uncontrollable in the form of fear and anxiety. Today, clinicians use certain criteria to diagnose anxiety disorders. This analytical-observational study was aimed at automatically classifying the two levels of anxious and normal by analyzing electroencephalogram signals. In this paper, the DASPS database was used, which contains a 14-channel electroencephalogram of 23 people (13 females and 10 males, mean age 30 years) during anxiety. Anxiety was presented in the form of flooding as actual exposure to the feared stimulus. Based on the results of the Self-Assessment Manikin, data were divided into two groups: (1) normal and low anxiety and (2) moderate and high anxiety. Approximate entropy, fractal dimension, and Lyapunov exponents were extracted from all channels as nonlinear properties. Maximum relevance and minimum redundancy were used to select the best feature to apply to the multilayer perceptron network. To evaluate the performance of the algorithm, different network structures were examined in terms of the number of features and neurons as well as different feature dimensions. Maximum accuracy, precision, f1-score, and sensitivity in 20 repetitions in all cases is equal to 100, and with an increasing number of neurons, the average accuracy increases. The best results were obtained for 5 features and 15 neurons, where the mean accuracy, precision, f1-score, and sensitivity for it were 80%, 92.75%, 84.15%, and 80.58%, respectively. The results of this paper indicated the capability of the proposed algorithm to distinguish anxious people from normal ones.
