بازگشت به بانک اطلاعات پایان نامه ها
شماره دانشجویی : 920080168m
نویسنده : طاهره نجفی
عنوان پایان نامه : تعیین سطح اضطراب و افسردگی با پردازش سیگنال مغز
دانشكده : دانشکده تحصیلات تکمیلی و مجتمع فنی
گروه تحصيلي : کامپیوتر
رشته/گرایش تحصيلي : مهندسي كامپيوتر- نرم افزار
مقطع تحصيلي : کارشناسی ارشد
استاد راهنما (استاد مدعو) : , اسداله شاه بهرامی,
استاد مشاور (استاد مشاور مدعو) : , کیومرث نجفی,
چكيده : تحقیقات نشان میدهد که اعمال انسان نتیجه عملکرد نورونی داخل مغز وی است. بازخورداین عملکرد به صورت سیگنال ساطع شده از سطح جمجمه قابل دریافت و پردازش است. یکی از روشهای دریافت و ثبت سیگنالهای مغزی، EEG نام دارد. پس از ثبت سیگنالهای مغز، امکان تجزیه و تحلیل آنها تحت مراحل مختلف پردازش سیگنال مغز وجود دارد که عموما شامل اخذ و پیش پردازش سیگنال، استخراج ویژگی و در صورت نیاز کاهش ابعاد ویژگی و نیز طبقه بندی ویژگیهای مستخرج میشود. محققان از شیوههای گوناگونی در راستای پردازشاین سیگنالها در حوزههای مختلف استفاده کردهاند. با توجه به بررسی انجام شده، مشخص گردیده است که بیشتر مطالعات در حوزههای کاربردی پزشکی و ارتباط مغز با رایانه (BCI) صورت گرفته است و در حوزهی پزشکی در زمینههای تشخیص صرع، سطوح درد و بیهوشی و هیپنوتیزم و نیز اضطراب و افسردگی و ... فعالیت صورت گرفته است که دراین راستا تشخیص و تجزیه و تحلیل سیگنالهای صرعی بیشترین توجه را داشته است. با توجه به شیوع اختلال اضطراب و افسردگی در جوامع و وابستگی آن به درمانگر، براین آمدیم تا دراین زمینه گام برداریم.
هدف ازاین مطالعه استخراج ویژگیهای موثر از سیگنال سوژههای سالم و بیمار و سپس طبقهبندی آنها در دو کلاس مشخص به منظور تعیین دو سطح نرمال و بیمار با اختلال شدید است. دراین راستا پنج سوژه بیمار و پین سوژه سالم بر اساس نتایج آزمونهای روانشناسی DSM-IV در دو گروه بیمار با اختلال شدید و سالم در سطح نرمال، برچسبگذاری شده و سیگنالهای آنها تحت استاندارد مشخص از 12 کانال سطح جمجمه، در شرایط یکسان، دریافت شده است. در مرحله پیش پردازش، آرتیفکتهای اجتناب ناپذیر EOG از سیگنال خام از تمامیه کانالها حذف گردیده و سیگنالها تحت سری زمانی مشخص قطعه بندی شدند. هر قطعه از سیگنال به منزله یک الگو در مرحله استخراج ویژگی، تحت تبدیل زمان-فرکانسی ویولت گسسته با ویولت مادر sym2 در یک سطح تجزیه قرار گرفت. با توجه به دانش فرد خبره، با میانگینگیری از ضرایب تقریب کانالهای نواحی فرونتال مغز و سایر نواحی به صورت مجزا، دو نماینده از هر الگو در نظر گرفته شد. سپس ویژگیهای آماری میانگین مطلق، واریانس، مینیمم و ماکزیمم ضرایب تقریب از هر دو نماینده از یک الگو به عنوان چهار ویژگی در نظر گرفته شد. با توجه به درخت تصمیم گیری از ویژگیهای مستخرج در تفکیک دو کلاس بیمار و سالم و نیز به دلیل وابستگی شدیداین ویژگیها به یکدیگر، از روش LDA به منظور کاهش ابعاد ویژگی استفاده شد و ویژگیهای مستخرج از فضای ویژگیهای با چهار بعد به دو بعد انتقال یافت واین ویژگیها به طبقه بند SVM با هسته RBF تابع گاوسی داده شد. برای اعتبار بخشیدن به یادگیری ماشین از الگورینم k-fold Cross و k=10 استفاده شد. دراین پروژه 25 ویولت از خانوادههای coiflet، symlet و daubechies در سه سطح تجزیه برای هر الگو و برای هر ویولت در هر سطح 50 پارامتر sigma بین 0.1 تا 0.5 مورد بررسی قرار گرفت و در نهایت مقدار MSE برای هر شاخه طی k=10 بار آموزش طبقه بند، محاسبه گردید.
در انتها ویولت گسسته sym2 در سطح اول تجزیه با ویژگیهای آماری استخراج شده و کاهش بعد ویژگی با LDA و استفاده از طبقه بند SVM با هسته RBF تابع گاوسی با پارامتر 0.3
كلمات كليدي : اضطراب و افسردگی، سیگنالهای مغزی، استخراج ویژگی، کاهش ویژگی، طبقه بندی کننده
تاريخ دفاع : 1394-6-31