تشخیص تومور مغزی با استفاده از ویژگی های خطی و غیرخطی سیگنال های الکتروانسفالوگرام

در پژوهش حاضر، سیگنال های الکتروانسفالوگرام بیماران مبتلا به تومور مغزی و افراد سالم را برای مطالعه تغییرات ناشی از بروز تومور مغزی در سیگنال های مغزی و در نهایت امکان سنجی تشخیص این بیماری توسط سیگنال های EEG، بررسی کرده ایم. برای این منظور از داده های EEG ثبت شده از چهار کانال F3، F4، T3 و T4 برای پنج فرد مبتلا به تومور مغزی و چهار فرد سالم، استفاده شده است. پس از پیش پردازش، ویژگی های خطی زمانی و طیف فرکانسی و ویژگی های غیرخطی بعد فرکتال و آنتروپی، استخراج شد. سپس تمایزپذیری میان دو گروه، با استفاده از اندیس دیویس-بولدین، طبقه بندی خطی LDA، غیرخطی KNN و SVM بررسی شد. بر اساس مقادیر به دست آمده برای اندیس دیویس-بولدین در وضعیت استراحت ذهنی چشم بسته، ویژگی های RMS، توان مطلق باند تتا، آنتروپی نمونه و آنتروپی تقریبی و در وضعیت استراحت ذهنی چشم باز، ویژگی های RMS و توان مطلق باند تتا، بیشترین تمایزپذیری را میان دو گروه سالم و بیمار نشان دادند. در این مرحله، طبقه بندی دو گروه سالم و بیمار با استفاده از تک ویژگی ها انجام شد، که بهترین صحت طبقه بندی مربوط به ویژگی RMS در حالت استراحت ذهنی چشم بسته و 88.89% به دست آمد. این موضوع نشان دهنده این است که ویژگی خطی RMS در افراد سالم و مبتلایان به تومور مغزی، تمایز خوبی ایجاد می کند. در پایان نیز برای دو حالت استراحت ذهنی چشم بسته و چشم باز و با استفاده از تمامی ویژگی های منتخب، طبقه بندی انجام شد. با توجه به نتایج، بیشترین صحت طبقه بندی 82.54% با استفاده از ویژگی های برتر RMS، توان مطلق باند تتا، آنتروپی نمونه و آنتروپی تقریبی در حالت استراحت ذهنی چشم بسته، به دست آمد. با توجه به نتایج مشاهده می شود که ویژگی های خطی، قابلیت خوبی برای جداسازی سیگنال های EEG افراد سالم و بیماران مبتلا به تومور مغزی دارند، که می توان از آنها، به دلیل سادگی و بار محاسباتی کم، برای تشخیص برخط بیماری تومور مغزی، به خصوص در آزمون های دوره ای غربالگری، استفاده کرد.