Cognitive Psychology Journal

fa طبقه‌بندی EEG در دو سطح نرمال و دارای اضطراب با استفاده از ویژگی‌های غیر خطی Classification of EEG Signals in Two Levels of Normal and Anxious Using Nonlinear Features مهندسی پزشکی - بیوالکتریک Medical Engineering - Bioelectric پژوهشي Research <div style="text-align: justify;">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.</div> <div style="text-align: justify;">Anxiety is a natural reaction of humans to stress that occurs in the face of various factors. Anxiety is considered as a mental illness if it is excessive and uncontrollable in the form of fear and anxiety. Today, clinicians use certain criteria to diagnose anxiety disorders. This analytical-observational study was aimed at automatically classifying the two levels of anxious and normal by analyzing electroencephalogram signals. In this paper, the DASPS database was used, which contains a 14-channel electroencephalogram of 23 people (13 females and 10 males, mean age 30 years) during anxiety. Anxiety was presented in the form of flooding as actual exposure to the feared stimulus. Based on the results of the Self-Assessment Manikin, data were divided into two groups: (1) normal and low anxiety and (2) moderate and high anxiety. Approximate entropy, fractal dimension, and Lyapunov exponents were extracted from all channels as nonlinear properties. Maximum relevance and minimum redundancy were used to select the best feature to apply to the multilayer perceptron network. To evaluate the performance of the algorithm, different network structures were examined in terms of the number of features and neurons as well as different feature dimensions. Maximum accuracy, precision, f1-score, and sensitivity in 20 repetitions in all cases is equal to 100, and with an increasing number of neurons, the average accuracy increases. The best results were obtained for 5 features and 15 neurons, where the mean accuracy, precision, f1-score, and sensitivity for it were 80%, 92.75%, 84.15%, and 80.58%, respectively. The results of this paper indicated the capability of the proposed algorithm to distinguish anxious people from normal ones.</div> الکتروآنسفالگرافی, اضطراب, ویژگیهای غیرخطی, انتخاب ویژگی, شبکه پرسپترون چندلایه Electroencephalography, Anxiety, Nonlinear features, Feature selection, Multilayer perceptron network 54 69 http://jcp.khu.ac.ir/browse.php?a_code=A-10-1592-1&slc_lang=fa&sid=1 Faezeh Daneshmand-Bahman فائزه دانشمند بهمن faezehdaneshmandbahman@gmail.com 10031947532846006291 10031947532846006291 No Department of Biomedical Engineering, Imam Reza International University, Mashhad, Razavi Khorasan, Iran. گروه مهندسی پزشکی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران Ateke Goshvarpour عاتکه گشوارپور ateke.goshvarpour@gmail.com 10031947532846006292 10031947532846006292 Yes Department of Biomedical Engineering, Imam Reza International University, Mashhad, Razavi Khorasan, Iran. گروه مهندسی پزشکی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران