دوره 9، شماره 3 - ( دوره نهم، شماره سوم، پاییز 1400 )
جلد 9 شماره 3 صفحات 69-54 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Daneshmand-Bahman F, Goshvarpour A. Classification of EEG Signals in Two Levels of Normal and Anxious Using Nonlinear Features. CPJ 2021; 9 (3) :54-69
URL: http://jcp.khu.ac.ir/article-1-3437-fa.html
URL: http://jcp.khu.ac.ir/article-1-3437-fa.html
دانشمند بهمن فائزه، گشوارپور عاتکه. طبقهبندی EEG در دو سطح نرمال و دارای اضطراب با استفاده از ویژگیهای غیر خطی. فصلنامه روانشناسی شناختی. 1400; 9 (3) :54-69
گروه مهندسی پزشکی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران ، ateke.goshvarpour@gmail.com
چکیده: (5288 مشاهده)
اضطراب واکنش طبیعی انسان‌ها در برابر فشار روانی است که در رویارویی با عوامل مختلف ایجاد می‌شود. امروزه، حالت‌های اضطرابی توسط متخصصان با استفاده از نشانه‌های اضطراب و با ارائه پرسشهایی تشخیص داده می‌شود. هدف از این مطالعه تحلیلی-مشاهده‌ای، طبقهبندی خودکار دو سطح اضطراب و نرمال با تحلیل سیگنال الکتروانسفالوگرام است. در این مقاله، از پایگاه داده DASPS استفاده شد که حاوی الکتروانسفالوگرام 14 کاناله از 23 نفر (13 زن و 10 مرد، میانگین سن 30 سال) در حین ایجاد اضطراب است. تحریک اضطراب به صورت غرقه سازی، مواجهه واقعی با یک محرک ترسناک ارائه شده است. دادگان بر اساس نتایج آزمون خودارزیابی آدمک به دو گروه (1) نرمال و اضطراب کم و (2) اضطراب متوسط و زیاد تقسیمبندی شدند. آنتروپی تقریبی، بعد فرکتال و نمای لیاپانوف به عنوان ویژگیهای غیر خطی از تمام کانالها استخراج شدند. از حداقل افزونگی حداکثر ارتباط برای انتخاب بهترین ویژگی جهت اعمال به شبکه پرسپترون چند لایه استفاده شد. برای ارزیابی عملکرد الگوریتم، ساختارهای مختلف شبکه از حیث تعداد ویژگی و نورون و همچنین ابعاد مختلف ویژگی بررسی شد. ماکزیمم صحت، دقت، f1-score و حساسیت در 20 بار تکرار در تمامی حالات برابر با 100 است و با افزایش تعداد نورون، میانگین صحت افزایش می‌یابد. بهترین نتایج برای تعداد 5 ویژگی و 15 نورون بدست آمد که میانگین صحت، دقت، f1-score و حساسیت برای آن به ترتیب 80 %، 75/92 %، 15/84 % و 58/80 % بود. نتایج این مقاله نشان دهندهی توانمندی الگوریتم پیشنهادی برای تشخیص افراد مضطرب از افراد نرمال میباشد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مهندسی پزشکی - بیوالکتریک
دریافت: 1400/3/13 | پذیرش: 1400/7/7 | انتشار: 1400/7/10
دریافت: 1400/3/13 | پذیرش: 1400/7/7 | انتشار: 1400/7/10
فهرست منابع
1. Abiodun, O. I., Jantan, A., Omolara, A. E., Dada, K. V., Mohamed, N. A., & Arshad, H. (2018). State-of-the-art in artificial neural network applications: A survey. Heliyon, 4(11), e00938. doi:10.1016/j.heliyon.2018.e00938 [DOI:10.1016/j.heliyon.2018.e00938]
2. Awrejcewicz, J., Krysko, A. V., Erofeev, N. P., Dobriyan, V., Barulina, M. A., & Krysko, V. A. (2018). Quantifying chaos by various computational methods. Part 1: simple [DOI:10.20944/preprints201801.0154.v1]
3. systems. Entropy, 20(3), 175. doi:10.3390/e20030175 [DOI:10.3390/e20030175]
4. Baghdadi, A., Aribi, Y., Fourati, R., Halouani, N., Siarry, P., & Alimi, A. M. (2019). DASPS: A Database for Anxious States based on a Psychological Stimulation. arXiv preprint arXiv:1901.02942.
5. Cervantes-De la Torre, F., González-Trejo, J. I., Real-Ramirez, C. A., & Hoyos-Reyes, L. F. (2013). Fractal dimension algorithms and their application to time series associated with natural phenomena. In Journal of Physics: Conference Series (Vol. 475, No. 1, p. 012002). IOP Publishing. doi:10.1088/1742-6596/475/1/012002 [DOI:10.1088/1742-6596/475/1/012002]
6. Chicco, D., & Jurman, G. (2020). The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC genomics, 21(1), 1-13. doi:10.1186/s12864-019-6413-7 [DOI:10.1186/s12864-019-6413-7]
7. Darzi, M., Ulfatbakhsh, A., Gorgin, S., Oveisi, F., Hashemi, E. A., … & Alavi, N. A. (2016). Classification of unbalanced data in the initial diagnosis of breast diseases by methods of adabost, probabilistic neural network and K to the nearest neighbor. Iranian Journal of Breast Diseases, 9 (2), 7-18.
8. Delgado-Bonal, A., & Marshak, A. (2019). Approximate entropy and sample entropy: A comprehensive tutorial. Entropy, 21(6), 541. doi:10.3390/e21060541 [DOI:10.3390/e21060541]
9. De Pascalis, V., Vecchio, A., & Cirillo, G. (2020). Resting anxiety increases EEG delta-beta correlation: Relationships with the Reinforcement Sensitivity Theory Personality traits. Personality and Individual Differences, 156, 109796. doi:10.1016/j.paid.2019.109796 [DOI:10.1016/j.paid.2019.109796]
10. Giannakakis, G., Grigoriadis, D., & Tsiknakis, M. (2015). Detection of stress/anxiety state
11. from EEG features during video watching. In 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 6034-6037).IEEE. doi:10.1109/EMBC.2015.7319767 [DOI:10.1109/EMBC.2015.7319767]
12. Jiao, Y., & Du, P. (2016). Performance measures in evaluating machine learning based bioinformatics predictors for classifications. Quantitative Biology, 4(4), 320-330. doi :10.1007/s40484-016-0081-2 [DOI:10.1007/s40484-016-0081-2]
13. Katz, M. J. (1988). Fractals and the analysis of waveforms. Computers in biology and medicine, 18(3), 145-156. doi: 10.1016/0010-4825(88)90041-8 [DOI:10.1016/0010-4825(88)90041-8]
14. Klados, M. A., Pandria, N., Athanasiou, A., & Bamidis, P. D. (2017). An automatic EEG based system for the recognition of math anxiety. In 2017 IEEE 30th International Symposium on Computer-Based Medical Systems (CBMS) (pp. 409-412). IEEE. doi:10.1109/CBMS.2017.107 [DOI:10.1109/CBMS.2017.107]
15. Li, J., Ran, H., & Zhao, J. (2019). Relationship Between Multiple Temporal Features of Resting EEG and the Anxiety State of Normal Subjects. In 2019 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI) (pp. 1-6). IEEE. doi:10.1109/CISP-BMEI48845.2019.8965982 [DOI:10.1109/CISP-BMEI48845.2019.8965982]
16. Liu, J., Li, J., Peng, W., Feng, M., & Luo, Y. (2019). EEG correlates of math anxiety during arithmetic problem solving: Implication for attention deficits. Neuroscience letters, 703, 191-197. doi:10.1016/j.neulet.2019.03.047 [DOI:10.1016/j.neulet.2019.03.047]
17. Mohammadi, M. R., Khaleghi, A., Nasrabadi, A. M., Rafieivand, S., Begol, M., & Zarafshan, H. (2016). EEG classification of ADHD and normal children using non
18. linear features and neural network. Biomedical Engineering Letters, 6(2), 66-73. doi:10.1007/s13534-016-0218-2 [DOI:10.1007/s13534-016-0218-2]
19. Paramanathan, P., & Uthayakumar, R. (2008). An algorithm for computing the fractal dimension of waveforms. Applied Mathematics and Computation, 195(2), 598-603. doi:10.1016/j.amc.2007.05.011 [DOI:10.1016/j.amc.2007.05.011]
20. Pincus, S. M. (1991). Approximate entropy as a measure of system complexity. Proceedings of the National Academy of Sciences, 88(6), 2297-2301. doi:10.1073/pnas.88.6.2297 [DOI:10.1073/pnas.88.6.2297]
21. Shi, C. T. (2018). Signal pattern recognition based on fractal features and machine learning. Applied Sciences, 8(8), 1327. doi:10.3390/app8081327 [DOI:10.3390/app8081327]
22. Sokolova, M., Japkowicz, N., & Szpakowicz, S. (2006). Beyond accuracy, F-score and ROC: a family of discriminant measures for performance evaluation. In Australasian joint conference on artificial intelligence (pp. 1015-1021). Springer, Berlin, Heidelberg. doi:10.1007/11941439_114 [DOI:10.1007/11941439_114]
23. So, P., Barreto, E., & Hunt, B. R. (1999). Box-counting dimension without boxes: Computing D 0 from average expansion rates. Physical Review E, 60(1), 378. doi: 10.1103/PhysRevE.60.378 [DOI:10.1103/PhysRevE.60.378]
24. Taheri, H., Taheri, A., & Amiri, M. (2017). Evaluation of the effectiveness of group behavioral activation therapy on social anxiety, avoidance and negative evaluations of people with social anxiety symptoms. Journal of Mental Health Principles, 19 (5), 361-365. doi:10.22038/JFMH.2017.9057 [Persian]
25. Taravat, A., Proud, S., Peronaci, S., Del Frate, F., & Oppelt, N. (2015). Multilayer perceptron neural networks model for meteosat second generation SEVIRI daytime cloud masking. Remote Sensing, 7(2), 1529-1539. doi:10.3390/rs70201529 [DOI:10.3390/rs70201529]
26. Trambaiolli, L. R., & Biazoli, C. E. (2020). Resting-state global EEG connectivity predicts depression and anxiety severity. In 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC) (pp. 3707-3710).IEEE. doi: 10.1109/EMBC44109.2020.9176161 [DOI:10.1109/EMBC44109.2020.9176161]
27. Wang, S., Tang, J., & Liu, H. (2017). Feature Selection. doi:10.1007/978-1-4899-7502-7_101-1 [DOI:10.1007/978-1-4899-7502-7_101-1]
28. Xie, Y., Yang, B., Lu, X., Zheng, M., Fan, C., Bi, X., & Li, Y. (2020). Anxiety and depression diagnosis method based on brain networks and convolutional neural networks. In 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC) (pp. 1503-1506). IEEE. doi:10.1109/EMBC44109.2020.9176471 [DOI:10.1109/EMBC44109.2020.9176471]
29. Zhao, Z., Anand, R., & Wang, M. (2019). Maximum relevance and minimum redundancy feature selection methods for a marketing machine learning platform. In 2019 IEEE International Conference on Data Science and Advanced Analytics (DSAA) (pp. 442-452). IEEE. doi:10.1109/DSAA.2019.00059 [DOI:10.1109/DSAA.2019.00059]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
