تشخیص خودکار بیماران مبتلا به اختلال شناختی خفیف از روی سیگنال‌های الکتروانسفالوگرام با استفاده از تجزیه موجک بسته‌ای و الگوی فضایی مشترک

مقدمه: اختلال شناختی خفیف (mild cognitive impairment) mci، به‌عنوان مرحله‌ی ابتدایی بیماری آلزایمر شناخته می‌شود. این بیماری علائمی خفیف‌تر از بیماری آلزایمر دارد طوری که مشکلات جدی در اعمال و کارهای روزانه ایجاد نمی‌کند. به دلیل ماهیت و علائم خفیف اختلال شناختی خفیف، تشخیص این بیماری به‌مراتب دشوارتر از تشخیص آلزایمر است. با این حال تشخیص زودهنگام این بیماری، احتمال درمان آن را افزایش می‌دهد.روش‌ها: روش به‌کار گرفته شده، یک روش پردازشی پیشرفته با به‌کارگیری تبدیل موجک گسسته در پیش ردازش و استفاده از موجک بسته‌ای و  فیلترهای فضایی- طیفی در استخراج ویژگی از سیگنال‌های الکتروانسفالوگرام است. در این مطالعه از سیگنال‌های الکتروانسفالوگرام مربوط به 29 فرد بیمار و 32 فرد سالم استفاده شده است.یافته‌ها: استفاده از ویولت بسته‌ای جهت استخراج زیر باندهای فرکانسی سیگنال الکتروانسفالوگرام موجب استخراج دقیق این زیرباندها شد به گونه‌ای که استخراج ویژگی با استفاده از ویژگی‌های استخراج شده توسط بانک فیلتر الگوی فضایی مشترک موجب افزایش دقت تشخیص افراد بیمار تا 100 درصد گردید.نتیجه‌گیری: این مطالعه با استخراج ویژگی‌های طیفی- فضایی از زیرباندهای فرکانسی سیگنال الکتروانسفالوگرام برآمده از ویولت بسته‌ای روشی جدید جهت تشخیص اختلال شناختی خفیف ارائه نمود. نتایج این مطالعه بر نقش استفاده از موجک بسته‌ای در تفکیک زیرباندهای فرکانسی و اعمال الگوی فضایی مشترک روی زیر باندهای فرکانسی برای استخراج ویژگی‌های موثر در تفکیک افراد سالم از مبتلایان به اختلال شناختی خفیف تاکید دارد.

automatic diagnosis of mild cognitive impairment from electroencephalogram using joint wavelet packet decomposition and common spatial pattern

background: mild cognitive impairment (mci) is identified as the initial stage of alzheimer’s disease. this condition presents less severe symptoms compared to alzheimer’s disease (ad) to the extent that it does not significantly impact daily activities. due to its subtle symptoms, diagnosing mci is considerably more challenging than diagnosing alzheimer’s. however, early detection of mci enhances the chances of treatment and prevention of its progression to alzheimer’s and dementia.methods: this study introduced a novel method for diagnosing mci using an automated signal processing approach for electroencephalogram (eeg) signals. the method employs advanced signal processing techniques, including discrete wavelet transform in preprocessing and wavelet packet decomposition alongside spatial-spectral filters for feature extraction from eeg signals. eeg signals from 29 patients and 32 healthy individuals were utilized in this study.findings: the proposed method achieved a classification accuracy of 100% using a random subsampling validation approach. wavelet packet decomposition effectively isolated frequency sub-bands within the eeg signals, enabling precise extraction. furthermore, feature extraction using features extracted by the filter bank common spatial pattern (fbcsp) contributed to the increased classification accuracy of the two groups.conclusion: this study introduces a novel approach for mci diagnosis by extracting spatial-spectral features from frequency sub-bands of eeg signals obtained through wavelet packet decomposition. the findings underscore the significance of wavelet packet decomposition in separating frequency sub-bands and applying a common spatial pattern filter on these sub-bands for effective feature extraction in distinguishing healthy individuals from those with mci.