رویکردی جدید در پردازش الکتروانسفالوگرام با استفاده از نقشه آشوبگون چبیشف: کاربرد در طبقه بندی اضطراب

اختلالات اضطرابی از شایع ترین و ناتوان کننده ترین اختلالات روانی در سراسر جهان به شمار می-آیند. از طرفی، از سال 2019 با شیوع کووید-19 اضطراب بین مردم و به خصوص کادر درمان افزایش پیدا کرده است. در حال حاضر اضطراب (زمانیکه علایم کافی و شدید باشد) با استفاده از پرسشنامه و توسط افراد متخصص تشخیص داده می شود. برای رفع این کاستی، اخیرا توجه محققان به استفاده از سیگنال های مغزی جلب شده است. به همین منظور، مطالعه حاضر با هدف تشخیص اضطراب با استفاده از سیگنال مغزی انجام شده است. نوآوری این مطالعه استفاده از نقشه آشوبگون چبیشف برای اولین بار در تحلیل سیگنال بیولوژیکی است. در این مطالعه از پایگاه داده DASPS استفاده شد که شامل الکتروآنسفالوگرام (Electroencephalogram; EEG) 14 کاناله از 23 نفر (10 مرد و 13 زن، با میانگین سنی 30 سال) است. از نمرات آزمون خودارزیابی آدمک برای تقسیم اضطراب به دو و چهار سطح استفاده شد. ابتدا داده ها نرمال سازی شدند. سپس، نقشه آشوبگون بازسازی و به 128 نوار تقسیم شد. چگالی نقاط در هر یک از نوارها محاسبه شد. دو شاخص 1) حداکثر چگالی و 2) نمونه مربوط به آن، به عنوان ویژگی در نظر گرفته شد. در نهایت ویژگی ها به 5 روش، (1) ویژگی 1 تمام کانال ها، (2) نگاشت ویژگی 1 تمام کانال ها با استفاده از تجزیه و تحلیل اجزای اصلی (Principal Components Analysis; PCA)، (3) ویژگی 2 تمام کانال-ها، (4) نگاشت ویژگی 2 تمام کانال ها با استفاده از PCA و (5) هر ویژگی-هر کانال به طور جداگانه به دو طبقه بند ماشین های بردار پشتیبانی (Support Vector Machines; SVM) و k-نزدیک ترین همسایه ها (K-Nearest Neighbors; K-NN) اعمال شدند. نتایج حاکی از حداکثر صحت 75/93 % برای تشخیص دو سطح اضطراب و 15/96 % برای تشخیص چهار سطح اضطراب است. علاوه بر این، عملکرد K-NN از SVM بهتر بود. در نتیجه می توان الگوریتم پیشنهادی را به عنوان یک رویکرد مناسب برای تشخیص اضطراب معرفی کرد.