ارزیابی الگوریتم‌های طبقه‌بندی بر اساس ویژگی‌های استخراج‌شده از سیگنال‌های الکتروآنسفالوگرام افراد مبتلا به افسردگی و سالم در دو وضعیت بینایی

افسردگی اساسی یکی از شایع‌ترین اختلالات روانی است که می‌تواند تاثیرات منفی زیادی بر عملکرد شناختی و عاطفی فرد بگذارد. شناسایی دقیق و به‌موقع این اختلال می‌تواند به بهبود فرآیندهای درمانی کمک کند. در این پژوهش، به شناسایی ویژگی‌های مغزی مرتبط با افسردگی اساسی از طریق سیگنال‌های الکتروآنسفالوگرافی (eeg) پرداخته شده است. داده‌ها از دو گروه شامل افراد سالم و مبتلا به افسردگی اساسی در دو وضعیت چشم‌باز و چشم‌بسته جمع‌آوری شده‌اند. از 12 ویژگی مختلف شامل بعد فراکتال هیگوچی، آنتروپی شانون، فعالیت و تحرک و پیچیدگی هیوث، انرژی کل و توان باندهای مختلف eeg برای تحلیل استفاده شد. پس از پیش‌پردازش و استخراج ویژگی‌ها، تحلیل مولفه‌های اصلی برای کاهش ابعاد داده‌ها انجام شد. سپس پنج مدل طبقه‌بندی شامل k-نزدیکترین همسایه، رگرسیون لجستیک، درخت تصمیم، نیو بیز و ماشین‌ بردار پشتیبان برای طبقه‌بندی داده‌ها به‌کار گرفته شدند. نتایج نشان داد که مدل نیو بیز با صحت 91/67% و 83/33% در وضعیت‌های چشم‌باز و چشم‌بسته، بهترین عملکرد را داشت. این مطالعه نشان می‌دهد که ویژگی‌های استخراج شده از سیگنال مغزی می‌توانند ابزار موثری برای شناسایی افسردگی باشند.

evaluation of classification algorithms based on features extracted from electroencephalogram signals of depressed and healthy individuals in two visual conditions

major depressive disorder (mdd) is one of the most prevalent psychiatric disorders, which can exert significant negative effects on an individual’s cognitive and emotional functioning. accurate and timely detection of this disorder can facilitate improved treatment processes. this study focuses on identifying brain features associated with mdd using electroencephalography (eeg) signals. data were collected from two groups—healthy individuals and patients with mdd—under both eyes-open and eyes-closed conditions. twelve features, including higuchi’s fractal dimension, shannon entropy, hjorth activity, mobility, and complexity, total energy, and the power of different eeg frequency bands, were employed for analysis. after preprocessing and feature extraction, principal component analysis (pca) was applied for dimensionality reduction. subsequently, five classification models—k-nearest neighbors (k-nn), logistic regression, decision tree, naive bayes, and support vector machine (svm)—were used to classify the data. the results showed that the naive bayes model achieved the highest accuracy, 91.67% and 83.33% in eyes-open and eyes-closed conditions, respectively. this study demonstrates that features extracted from eeg signals can serve as effective tools for identifying depression.