این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
روانشناسی شناختی، جلد ۹، شماره ۳، صفحات ۵۴-۶۹
عنوان فارسی طبقه‌بندی EEG در دو سطح نرمال و دارای اضطراب با استفاده از ویژگی‌های غیر خطی
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله الکتروآنسفالگرافی، اضطراب، ویژگیهای غیرخطی، انتخاب ویژگی، شبکه پرسپترون چندلایه
عنوان انگلیسی Classification of EEG Signals in Two Levels of Normal and Anxious Using Nonlinear Features
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله Electroencephalography, Anxiety, Nonlinear features, Feature selection, Multilayer perceptron network
نویسندگان مقاله فائزه دانشمند بهمن | Faezeh Daneshmand-Bahman
Department of Biomedical Engineering, Imam Reza International University, Mashhad, Razavi Khorasan, Iran.
گروه مهندسی پزشکی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران

عاتکه گشوارپور | Ateke Goshvarpour
Department of Biomedical Engineering, Imam Reza International University, Mashhad, Razavi Khorasan, Iran.
گروه مهندسی پزشکی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران

نشانی اینترنتی http://jcp.khu.ac.ir/browse.php?a_code=A-10-1592-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مهندسی پزشکی - بیوالکتریک
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات