فهرست نشریات علمی دسترسی آزاد ایران

بیماری آلزایمر و اختلال شناختی خفیف (MCI) از اختلالات پیشرونده عصبی-شناختی محسوب می‌شوند‌ که تشخیص زودهنگام آنها نقش مهمی در مدیریت درمان و کاهش بار اجتماعی-اقتصادی بیماری دارد. الکتروانسفالوگرافی (EEG) به دلیل غیرتهاجمی بودن، هزینه پایین و قدرت تفکیک زمانی بالا ابزاری ارزشمند است، اما مطالعات پیشین در تحلیل EEG با چالش حجم بالای داده و دشواری در استخراج ویژگی‌های متمایزکننده روبه‌رو بوده‌اند. این پژوهش با هدف کاهش پیچیدگی محاسباتEEG چندکاناله، به توسعه رویکردی برای ادغام اطلاعات کانال‌ها و همچنین انتخاب کانال پرداخت. داده‌های موجود در پایگاه داده آزاد از ۱۶۰ شرکت‌کننده شامل بیماران آلزایمر (۴۰ نفر)، MCI (۲۵ نفر) و افراد سالم (۹۵ نفر) تحلیل شد. پس از پیش‌پردازش و استخراج باندهای فرکانسی، داده‌های ۱۹ کانال با استفاده از الگوریتم تبدیل داده مبتنی بر دامنه، به سیگنال واحد تبدیل شد. سپس، انتخاب کانال به دو روش کانال با بیشترین تکرار دامنه غالب و کانال با بیشینه فاز انجام پذیرفت. ویژگی‌های غیرخطی استخراج و برای طبقه‌بندی به ماشین بردار پشتیبان ارائه شد. عملکرد مدل با دو روش اعتبارسنجی K-Fold و LOSO و در دو حالت‌ یک‌در‌برابر‌یک و یک‌در‌برابر‌همه ارزیابی گردید. یافته‌ها نشان داد، پیچیدگی و دینامیک غیرخطی EEG به‌طور تدریجی از گروه کنترل به MCI و آلزایمر کاهش می‌یابد. بیشترین صحت طبقه‌بندی برای تمایز کنترل و MCI در باند گاما (06/78٪) و در روش تبدیل داده و برای تمایز کنترل و آلزایمر نیز در همان باند (27/70٪) و با همان روش به دست آمد. علاوه‌براین، باندهای آلفا و گاما در دو رویکرد تبدیل داده و انتخاب کانال مبتنی بر دامنه غالب عملکرد بهتری نسبت به سایر باندها داشتند و روش K-Fold نسبت به LOSO صحت بالاتری ارائه کرد. به‌طور کلی، ترکیب ویژگی‌های غیرخطی EEG تبدیل یافته با انتخاب کانال، به‌ویژه در باندهای آلفا و گاما، می‌تواند به‌عنوان رویکردی نویدبخش برای تشخیص و پایش آلزایمر و MCI مورد استفاده قرار گیرد.