الهام یزدی - دانشجوی کارشناسی ارشد رشته مهندسی پزشکی گرایش بیوالکتریک ، قم ، ایران
مهدی رضایی استخروییه - استادیار، گروه مهندسی پزشکی ، واحد قم ، دانشگاه غیرانتفاعی شهاب قم ، قم ، ایران

اسکیزوفرنی یکی از اختلالات روانی جدی است که میتواند بیمار را از تمام جنبه های زندگی معلق کند و به شدت بر ادراک و روابط فردی تاثیر می گذارد. در حال حاضر تشخیص این بیماری با استفاده از تست های شناختی توسط روانپزشک انجام می شود که به شدت به تجربه و دانش وی وابسته است. در این مقاله ما یک روش جدید براساس سیستم استنباط عصبی - فازی انطباقی (ANFIS) برای طبقه بندی سیگنالهای ثبت شده الکتروآنسفالوگرام (EEG) از ۱۴ بیمار اسکیزوفرنی و ۱۴ شرکتکننده کنترل استفاده کردیم. ۱۶ کانال EEG از ۱۹ کانال اصلی که بیشترین اطلاعات متفاوت را داشتند، انتخاب شدند. نویزهای احتمالی این کانالها با فیلتر Butterworth مرتبه دوم حذف شدند. چهار ویژگی، آنتروپی Shannon، آنتروپی طیفی، آنتروپی تقریبی و مقدار مطلق بالاترین شیب ضرایب خودکاهشی (AVLSAC) از هر کانال EEG منتخب در ۵ زیرباند فرکانسی، دلتا، تتا، آلفا، بتا و گاما استخراج شدند. چهل و شش ویژگی از میان ۶۴۰ ویژگی ممکن معرفی شدند و نتایج شامل دقت نزدیک به ۹۸/۸۹ %، % ۹۷,۵۲ و % ۹۴,۹۶ به ترتیب برای طبقه بندی ANFIS، ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) بودند. از این رو هدف این مطالعه توسعه یک طرح شناسایی اتوماتیک اسکیزوفرنی با استفاده از طبقه بندی سیگنالهای الکتروآنسفالوگرام (EEG)است که میتواند مشکلات ذکر شده را از بین ببرد و متخصصین بالینی و محققان را پشتیبانی کند .همچنین عملکرد مدل پیشنهادی ما نیز با رویکردهای به تازگی منتشر شده مقایسه شده است. این مطالعه منجر به ارائه یک سیستم پشتیبانی تصمیم گیری جدید (DSS) شد که میتواند سیگنال EEG یک فرد را دریافت کند و بیماران اسکیزوفرنی و افراد سالم را با دقت بالا از هم جدا کند.

اسکیزوفرنی، طبقه بندی، آنتروپی، سیستم پشتیبانی تصمیم گیری، انتخاب ویژگی، سیستم استنتاج عصبی -فازی تطبیقی