فهرست نشریات علمی دسترسی آزاد ایران

بیماری‌های آلزایمر و اسکیزوفرنی از جمله اختلالات شایع و پیچیده عصبی-روانشناختی هستند که تشخیص افتراقی آن‌ها، به‌ویژه در مراحل اولیه، با چالش‌های قابل توجهی همراه است. روش‌های تشخیصی موجود، با وجود ارائه اطلاعات ارزشمند، اغلب پرهزینه و در برخی موارد تهاجمی هستند. در این پژوهش، یک روش غیرتهاجمی و مقرون‌به‌صرفه مبتنی بر سیگنال‌های EEG و الگوریتم‌های یادگیری ماشین برای تفکیک این دو بیماری ارائه شده است. در روش پیشنهادی، سیگنال‌های EEG ابتدا با استفاده از تبدیل فوریه سریع (FFT) به زیرباندهای فرکانسی مختلف تجزیه شده و سپس مجموعه‌ای از ویژگی‌های آماری و غیرخطی شامل کشیدگی، چولگی، آنتروپی شنون، آنتروپی فازی، تحرک و پیچیدگی با استفاده از الگوریتم ReliefF انتخاب و به ورودی طبقه‌بندهایی نظیر k نزدیک‌ترین همسایگی، ماشین بردار پشتیبان با هسته خطی، جنگل تصادفی و غیره اعمال شده‌اند. ارزیابی عملکرد روش پیشنهادی بر روی پایگاه داده اول، متشکل از دو بخش متفاوت شامل داده‌های بیماران مبتلا به آلزایمر و اسکیزوفرنی، نشان داد که طبقه‌بند جنگل تصادفی (RF) با دستیابی به میانگین صحت 98/61 درصد بهترین عملکرد را ارائه داده است. علاوه بر این، ارزیابی بر روی پایگاه داده دوم نیز انجام شد و روش پیشنهادی با استفاده از همان طبقه‌بند، به میانگین صحت 88/11 درصد دست یافت که کارایی بالای مدل را در افتراق بیماران مبتلا به آلزایمر و اسکیزوفرنی تایید می‌کند. لازم به ذکر است که ویژگی آنتروپی فازی در هر دو پایگاه داده به‌طور معناداری نسبت به سایر ویژگی‌ها عملکرد برتری داشته و به‌عنوان یک شاخص کلیدی در تفکیک این دو بیماری عمل کرده است.