تشخیص تومور مغزی با استفاده از ویژگی‌های خطی و غیرخطی سیگنال‌های الکتروانسفالوگرام

در پژوهش حاضر، سیگنال های الکتروانسفالوگرام بیماران مبتلا به تومور مغزی و افراد سالم را برای مطالعه تغییرات ناشی از بروز تومور مغزی در سیگنال های مغزی و در‌نهایت امکان سنجی تشخیص این بیماری توسط سیگنال های eeg، بررسی کرده‌ایم. برای این منظور از داده‌های eeg ثبت شده از چهار کانال f3، f4، t3 و t4 برای پنج فرد مبتلا به تومور مغزی و چهار فرد سالم، استفاده شده است. پس از پیش‌‌پردازش، ویژگی های خطی زمانی و طیف فرکانسی و ویژگی های غیرخطی بُعد فرکتال و آنتروپی، استخراج شد. سپس تمایزپذیری میان دو گروه، با استفاده از اندیس دیویسبولدین، طبقه‌بندی خطی lda، غیرخطی knn و svm بررسی شد. بر‌اساس مقادیر به‌دست‌آمده برای اندیس دیویسبولدین در وضعیت استراحت ذهنی چشم بسته، ویژگی های rms، توان مطلق باند تتا، آنتروپی نمونه و آنتروپی تقریبی و در وضعیت استراحت ذهنی چشم باز، ویژگی های rms و توان مطلق باند تتا، بیشترین تمایزپذیری را میان دو گروه سالم و بیمار نشان دادند. در این مرحله، طبقه بندی دو گروه سالم و بیمار با استفاده از تک ویژگی ها انجام شد، که بهترین صحت طبقه بندی مربوط به ویژگی rms در حالت استراحت ذهنی چشم بسته و 88.89% به‌دست آمد. این موضوع نشان دهنده این است که ویژگی خطی rms در افراد سالم و مبتلایان به تومور مغزی، تمایز خوبی ایجاد می کند. در پایان نیز برای دو حالت استراحت ذهنی چشم بسته و چشم باز و با استفاده از تمامی ویژگی های منتخب، طبقه‌بندی انجام شد. با توجه به نتایج، بیشترین صحت طبقه بندی 82.54% با استفاده از ویژگی های برتر rms، توان مطلق باند تتا، آنتروپی نمونه و آنتروپی تقریبی در حالت استراحت ذهنی چشم بسته، به‌دست آمد. با توجه به نتایج مشاهده می شود که ویژگی های خطی، قابلیت خوبی برای جداسازی سیگنال های eeg افراد سالم و بیماران مبتلا به تومور مغزی دارند، که می‌توان از آنها، به‌دلیل سادگی و بار محاسباتی کم، برای تشخیص برخط بیماری تومور مغزی، به‌خصوص در آزمون های دوره ای غربالگری، استفاده کرد.