ارائه‌کننده: آبتین محمد میرزایی

استاد راهنما: دکتر بابکمحمدزاده اصل

استاد ناظر داخلی اول: دکتر رویا پریدار

استاد ناظر خارجی اول: دکتر رضا ابراهیم‌پور (دانشگاه شریف)

تاریخ: ۱۴۰۵/۰۶/۳۱

ساعت: ۱۵:۳۰ الی ۱۷

مکان: اتاق شیشه‌ای

چکیده:      

بیماری پارکینسون یکی از اختلالات نورودژنراتیو است که علاوه بر علائم حرکتی، با تغییر در عملکرد و ارتباطات شبکه‌های مغزی همراه است.تشخیص این بیماری عمدتاً بر پایه ارزیابی‌های بالینی انجام می‌شود و شناسایی شاخص‌های کمی و غیرتهاجمی می‌تواند به مطالعات تشخیصی کمک کند.در این پژوهش، استفاده از سیگنال الکتروانسفالوگرافی (EEG) برای شناسایی بایومارکرهای نامزد بیماری پارکینسون مورد بررسی قرار گرفته است.تمرکز اصلی پژوهش بر ویژگی‌های مبتنی بر اتصال عملکردی و همزمانی میان کانال‌های EEG است.داده‌های مورد استفاده از مجموعه‌داده San Diego و شامل ۳۱ آزمودنی، شامل ۱۵ فرد مبتلا به پارکینسون و ۱۶ فرد سالم است. سیگنال‌های EEG با ۳۲ کانال و نرخ نمونه‌برداری ۵۱۲ هرتز مورد استفاده قرار گرفتند. پس از پیش‌پردازش، شامل فیلترگذاری، حذف نویز، ICA و قطعه‌بندی، سیگنال‌ها به باندهای فرکانسی مختلف تقسیم شدند. برای هر زوج کانال، هفت معیار همزمانی شامل PLV، Cross-Correlation، Imaginary Coherence، PLI، AEC، Synchronization Likelihood و Coherence استخراج شد.

با توجه به تعداد زیاد کانال‌ها و معیارهای استخراج‌شده، فضای ویژگی اولیه دارای ابعاد بالایی بود. به‌منظور کاهش ابعاد و شناسایی ویژگی‌های متمایزکننده، یک روش انتخاب ویژگی دومرحله‌ای به کار گرفته شد. در مرحله نخست، آزمون آماری Kruskal–Wallis برای غربال ویژگی‌ها مورد استفاده قرار گرفت. در مرحله دوم، ویژگی‌های باقی‌مانده بر اساس اهمیت آن‌ها با استفاده از الگوریتم Extra Trees رتبه‌بندی شدند. سپس ویژگی‌های منتخب با استفاده از طبقه‌بندهای SVM و KNN برای تفکیک دو گروه مورد استفاده قرار گرفتند.

یکی از محورهای مهم پژوهش، جلوگیری از نشت اطلاعات و ارزیابی واقعی قابلیت تعمیم مدل بود.به همین منظور، علاوه بر ارزیابی Epoch-wise، اعتبارسنجی مستقل از آزمودنی (Subject-wise) مورد توجه قرار گرفت. در اعتبارسنجی Subject-wise، قطعه‌های متعلق به یک آزمودنی به‌صورت هم‌زمان در آموزش و آزمون قرار نمی‌گیرند.

همچنین نقش باند تتا و هم‌پوشانی آن با محدوده فرکانسی لرزش استراحتی پارکینسون بررسی شد. نتایج نشان دادند که ترکیب ویژگی‌های مختلف همزمانی می‌تواند اطلاعات مناسبی برای تفکیک افراد مبتلا به پارکینسون از افراد سالم فراهم کند. در برخی پیکربندی‌های بررسی‌شده، عملکرد طبقه‌بندی به بیش از ۹۱ درصد دقت رسید؛ بااین‌حال، اعتبارسنجی مستقل از آزمودنی معیار اصلی ارزیابی قابلیت تعمیم در نظر گرفته شد. در مجموع، پژوهش چارچوبی برای شناسایی بایومارکرهای نامزد مبتنی بر اتصال و همزمانی EEG ارائه می‌کند که می‌تواند مبنایی برای مطالعات آینده و اعتبارسنجی روی داده‌های مستقل و چندمرکزی باشد.