بررسی عملکرد طبقه بندی کننده های مختلف در تشخیص زودهنگام بیماری آلزایمر از سیگنال EEG

بیماری آلزایمر (AD) یک نوع اختلال عصبی است که مستقیما بر روی مغز اثر می گذارد و شیوع آن در جهان به سرعت در حال افزایش است. این بیماری یکی از مهم ترین و پرهزینه ترین بیماری ها در جوامع امروزی محسوب می شود. در سال های اخیر، پژوهش های فراوانی جهت تشخیص خودکار این بیماری از سیگنال های مغزی صورت گرفته است. در این مقاله، به منظور دستیابی به بالاترین دقت در تشخیص بیماری آلزایمر از سیگنال الکتروانسفالوگرام (EEG)، انواع روش های طبقه بندی مورد ارزیابی قرار می گیرند. بدین منظور از سیگنال های مغزی مربوط به 35 نفر سالم و 31 نفر بیمار آلزایمری خفیف استفاده شد. بعد از حذف نویزها و آرتیفکت ها از سیگنال های EEG، این سیگنال ها توسط روش تبدیل موجک گسسته (DWT) تجزیه شدند. سپس مجموعه ای از ویژگی ها از زیرسیگنال های EEG (واریانس، چولگی، کشیدگی، آنتروپی Sure، ریشه میانگین مربعات و ضرایب Pburg) استخراج گردید. در نهایت عملکرد سه طبقه بندی کننده ماشین بردار پشتیبان (SVM) و K نزدیک ترین همسایه (KNN) و تحلیل تمایز خطی (LDA) برای دو دسته افراد سالم و آلزایمری خفیف مورد ارزیابی قرار گرفت و بالاترین دقت به میزان 97/53 درصد توسط طبقه بندی کننده تحلیل تمایز خطی (LDA) به دست آمد.