طبقه بندی افراد سالم و اسکیزوفرنیک با استفاده از ویژگی­های حوزه زمان - فرکانس مستخرج از سیگنال­های الکتروآنسفالوگرام

اسکیزوفرنی(sz) یک اختلال مزمن و روانی پیچیده است که با نقایص عصبی بیولوژیکی همراه است. پیچیدگی و ناهمگنی علائم اسکیزوفرنی، تشخیص عینی را که بر اساس تظاهرات رفتاری و بالینی است، به چالش می­کشد. همچنین، سایر بیماری­های روانی مانند اختلال دوقطبی یا اختلال افسردگی اساسی اغلب با اسکیزوفرنی اشتباه گرفته می­شوند. پس غربالگری دستی برای تشخیص تنها از طریق مصاحبه روان پزشک با بیمار قابل­اعتماد نیست. از این رو هدف این مطالعه ایجاد یک طرح تشخیص خودکار sz با استفاده از سیگنال های الکتروانسفالوگرام است که به عنوان یک ابزار مکمل برای کمک به روان پزشکان استفاده شود. در این مقاله روشی جدید بر مبنای استفاده از هرسه حوزه­­ی زمان، فرکانس و زمان-فرکانس برای­ طبقه بندی سیگنال eeg بیماران  اسکیزوفرنی و افراد سالم ارائه شده است. برای این کار، ویژگی­های حوزه زمان، حوزه فرکانس، ویژگی­های غیر­خطی و آماری استخراج و 10 ترکیب ویژگی براساس اهمیت، توسط روش ترکیبی اطلاعات متقابل و جستجوی شناور متوالی رو به جلو انتخاب شده است. سپس طبقه­بندی توسط روش kنزدیکترین همسایه، k نزدیکترین همسایه وزن­دار، ماشین بردار پشتیبان خطی و غیرخطی با تابع پایه شعاعی، درخت تصمیم، تحلیل افتراق خطی و روش بیزین ساده صورت گرفته که در 5 طبقه­ بند دقت %100 حاصل گردیده است.

classification of healthy people and schizophrenics using time-frequency domain features extracted from electroencephalogram signals

schizophrenia (sz) is a chronic and complex mental disorder associated with neurobiological defects. the complexity and heterogeneity of schizophrenia symptoms challenge objective diagnosis based on behavioral and clinical manifestations. also, other mental illnesses such as bipolar disorder or major depressive disorder are often mistaken for schizophrenia. therefore, manual screening is not reliable for diagnosing only through the psychiatrist s interview with the patient. therefore, the aim of this study is to develop an automatic sz detection scheme using electroencephalogram signals to be used as a complementary tool to help psychiatrists. in this article, a new method based on the use of all three domains of time, frequency, and time-frequency is presented to classify the eeg signal of schizophrenic patients and healthy people. for this purpose, the features of time domain, frequency domain, non-linear and statistical features are extracted and 10 combinations of features, based on importance, are selected by the combined method of mutual information and sequential forward feature selection. finally, a few classification methods such as k-nearest neighbor, weighted k-nearest neighbor, linear and non-linear support vector machine with radial basis function, decision tree, linear discriminant analysis, and naive bayesian method were applied to the given data and we reached 100% accuracy in our 5 classifications.