تشخیص خودکار اختلال افسردگی اساسی با استفاده از سیگنال الکتروانسفالوگرام و ویژگی‌های آنتروپی

اختلال افسردگی اساسی (mdd) یک بیماری شایع روانی است که در فرد احساس غم و اندوه مداوم ایجاد می‌کند. این بیماری می‌تواند موجب تغییر در تفکر و سبک زندگی شود و کیفیت زندگی افراد را کاهش دهد. در این مطالعه، یک روش جدید با استفاده از الگوریتم یادگیری ماشین برای تشخیص خودکار mdd با استفاده از سیگنال‌های الکتروانسفالوگرام (eeg) ارائه شد. در روش پیشنهادی، ویژگی‌های مبتنی بر آنتروپی شامل آنتروپی افزایشی, آنتروپی تشابه کسینوسی، آنتروپی پراکندگی و آنتروپی حبابی از سیگنال eeg استخراج شد. سپس، به منظور کاهش ابعاد فضای ویژگی و همچنین انتخاب بهترین مجموعه از ویژگی‌ها، از الگوریتم انتخاب ویژگی relieff استفاده شد. در نهایت بهترین مجموعه ویژگی انتخاب شده به ورودی طبقه بندهای مختلف نظیر k-نزدیک‌ترین همسایگی (k-nn). ماشین بردار پشتیبان (svm) و رگرسیون خطی (lr) اعمال شد. عملکرد روش پیشنهادی با استفاده از یک مجموعه داده شامل سیگنال‌های eeg ثبت شده از 34 بیمار مبتلا به mdd و 30 فرد سالم و همچنین روش اعتبارسنجی متقابل 10 فولد مورد ارزیابی قرار گرفت. نتایج نشان داد که طبقه بند svm با فراهم کردن میانگین صحت 0.36±96.01 درصد، میانگین حساسیت 0.63±95.73 درصد، میانگین اختصاصیت 0.76±96.32 درصد بهترین عملکرد را در جداسازی افراد مبتلا به mdd از افراد سالم ارائه می‌کند. نتایج تجربی نشان داد چهارچوب پیشنهادی می‌تواند در تشخیص بالینی mdd به عنوان ابزار کمکی مورد استفاده پزشکان قرار بگیرد.