فهرست نشریات علمی دسترسی آزاد ایران

بیماری پارکینسون از نظر شیوع جهانی، دومین بیماری شایع مخرب عصبی محسوب می‌شود و مشخصه اصلی آن کمبود قابل‌توجه دوپامین در سیستم عصبی مرکزی است. تشخیص پارکینسون با چالش‌های قابل‌توجهی همراه بوده و اغلب شامل فرآیندی طولانی است. این امر باعث شده است تا تلاش‌های تحقیقاتی گسترده‌ای برای شناسایی زیست نشانگرهای قابل اعتماد برای پارکینسون انجام شود. یکی از روش‌های شناسایی پارکینسون پردازش‌ سیگنال‌های الکتروانسفالوگرافی است. الکتروانسفالوگرافی فعالیت مغز را با اندازه‌گیری سیگنال‌های الکتریکی از الکترودهایی که روی جمجمه قرار می‌گیرند، ثبت می‌کند. ظهور هوش مصنوعی امکان ادغام ویژگی‌های سیگنال الکتروانسفالوگرافی در الگوریتم‌های یادگیری ماشین را فراهم کرده و تشخیص خودکار بیماری‌های عصبی را تسهیل می‌کند. یافته‌ها نشان می‌دهد که سیگنال‌های الکتروانسفالوگرافی پتانسیل قابل‌توجهی به‌عنوان زیست نشانگر برای تمایز بین افراد مبتلا به پارکینسون و افراد سالم دارند. این مقاله امکان استفاده از ویژگی‌های استخراج شده از سیگنال‌های الکتروانسفالوگرافی از طریق ارزیابی کمی بازگشت را به‌عنوان زیست نشانگرهای بالقوه برای بیماری پارکینسون بررسی می‌کند. با استفاده از داده‌های الکتروانسفالوگرافی که به‎صورت عمومی از طریق (PRED + CT) در دسترس است، ما ثبت‌های بیماران پارکینسون را که تحت آزمایشات تحریک شنوایی مکرر قرار گرفته بودند، تجزیه و تحلیل کردیم. از مدل‌های یادگیری ماشین شامل: ماشین بردار پشتیبان، K-نزدیک‌ترین همسایه (KNN)، درخت تصمیم، جنگل تصادفی، روش GentleBoost، تحلیل تفکیکی درجه دوم (QDA) و پرسپترون چندلایه در دو حالت طبقه‌بندی چند کلاسه و دو کلاسه استفاده شد. عملکرد مدل‌های مذکور با استفاده از روش اعتبارسنجی متقابل ۱۰ فولد ارزیابی شد. روش پیشنهادی به میانگین صحت 32/99% در طبقه‌بندی دو کلاسه (تمایز بین بیماران پارکینسون و افراد سالم) و میانگین صحت 30/98 % در طبقه‌بندی چندکلاسه با استفاده از دسته‌بندی کننده KNN دست یافت. نتایج نشان می‌دهند که ویژگی‌های کمی‌سازی بازگشتی استخراج شده از سیگنال‌های الکتروانسفالوگرافی نویدبخش به‌عنوان زیست نشانگرهای بالقوه برای پارکینسون هستند.