چکيده
اسكيزوفرني يكي از اختلالات روانپريشي پيچيده و شايع است كه با تغييرات قابل توجه در تفكر، ادراك و رفتار
همراه ميباشد. هدف از اين پژوهش، تشخيص دقيقتر اين اختلال از طريق تحليل سيگنالهاي زيستي مغزي
( )EEGو بهره گيري از ويژگيهاي غيرخطي مبتني بر تئوري آشوب است. در اين راستا، سيگنالهاي مغزي افراد
سالم و مبتلا به اسكيزوفرني مورد پردازش قرار گرفتند. سپس بر اساس تئوري آشوب يازده ويژگي غيرخطي
،) نرخLaminarity( ،) لايه اي بودنDeterminism( ) ، قطعيتRecurrence Rate( ازجمله نرخ بازگشت
قطعيت به نرخ بازگشت ( ،)Ratioميانگين طول خطوط قطري ( )Averaged Diagonal Line Lengthو...... از
سيگنالها استخراج گرديد.
به منظور طبقه بندي و شناسايي افراد سالم و مبتلا، از الگوريتمهاي يادگيري ماشين شامل نزديك ترين
همسايگان( ،)KNNماشين بردار پشتيبان( )SVMو ماشين بردار پشتيبان خطي ( )SVM_Lاستفاده شد. براي
ارزيابي دقيق تر عملكرد مدلها، علاوه بر تقسيم ساده داده ها به صورت كنار گذاشته شده ( )Hold-outبراي تست،
از روش اعتبار سنجي متقابل به Kدسته ( ) K-Fold Cross VAlidationنيز استفاده گرديد و نتايج به دست آمده
با استفاده از اين دو روش مقايسه قرار گرفت. مقايسه نتايج عملكرد مناسب مدل ها را نشان ميدهد. همچنين،
پيش از استخراج ويژگيها، يك مرحله پيشپردازش روي دادههاي خام EEGانجام شد. در ميان مدلهاي
بهكاررفته، الگوريتم SVM_Lعملكرد بهتري از خود نشان داد و دقت نهايي آن در طبقه بندي، با توجه به ارزيابي
توسط ،K-Foldحدود 98.5درصد گزارش شد.
واژگان كليدي: اسكيزوفرني، سيگنال ،EEGتئوري آشوب، ويژگيهاي غيرخطي، يادگيري ماشين، طبقه بندي، -K
KNN ،SVM ،Hold-Out ،Fold
