بخشی از مقاله
چکیده
مغز یک سیستم بسیار پیچیده است به همین دلیل بررسی فعالیتش در شرایط دینامیک غیرخطی بسیار سخت است.
با این حال مطالعات اندکی که تفاوتهای جنسی را بر اساس ویژگیهای دینامیکی از مغز بررسی کند، وجود دارد. در این مطالعه برای بررسی تفاوتهای جنسیتی از پویایی مغز با توجه به ماهیت آشوبگون و غیرخطی سیگنال EEG، بر اساس یک رویکرد استخراج ویژگی ترکیبی دو ویژگی غیرخطی شامل بعد فرکتال - FD - و آنالیز نوسانات دترند - DFA - را از سیگنالهای مغزی - در حالت استراحت و با چشمان بسته - 34 زن و 34 مرد بالغ سالم در 31 کانال محاسبه میکنیم.
از تحلیل واریانس - ANOVA - نیز بهمنظور انتخاب کانال استفاده نمودیم. سپس با استخراج ویژگیهای مربوط به کانالهای انتخابی به طبقهبندی آنها میپردازیم. ویژگیهای غیرخطی، نویزی و دادههای خارج از محدوده سیگنالهای الکتروانسفالوگرافی - EEG - الهامبخش بهکارگیری منطق فازی به دلیل قدرتش برای رسیدگی به عدم قطعیت است. بنابراین ما در این تحقیق از سیستم استنتاج فازی-عصبی تطبیقی - ANFIS - بهمنظور طبقهبندی سیگنالهای EEG زنان و مردان سالم برای بررسی تمایزات جنسیتی مغز استفاده کردیم و پس از اجرای آزمون k-fold cross validation به صحت 95/4 درصد دستیافتیم.
.1 مقدمه
مغز زن و مرد در اوایل رشد هم در عملکرد و هم در ساختار، از یکدیگر متمایز هستند.[1] جنسیت یک عامل کلیدی است که روی سیستم عصبی و همچنین عملکرد رفتاری و شناختی افراد تأثیر میگذارد. زنان در به رسمیت شناختن احساسات، حساسیت اجتماعی، حافظه کلامی و سرعت بیان بهتر هستند درحالیکه مردان در کار چرخش ذهنی، آزمون چهرههای جاسازیشده، مسائل مهندسی و فیزیک را بهتر انجام میدهند و تواناییهای دیداری بالاتر دارند
بروز بسیاری از اختلالات عصبی نیز بهطور قابلتوجهی بین زنان و مردان متفاوت است. نسبت تقریبی مرد به زن در توجه اختلال کمتوجهی/ بیشفعالی - ADHD - ، اوتیسم، خوانش پریشی و اختلال افسردگی اساسی - MDD - به ترتیب [4]1/3 ، [5]1/6 ، [6]1/2 و [7]2/1 است. بنابراین، بررسی تفاوتهای جنسی از سیستمهای عصبی از هر دو لحاظ علمی و بالینی دارای اهمیت خواهد بود.زنان در مقایسه با مردان حتی پس از عادیسازی بیش از اندازه مغز درصد بیشتری ماده خاکستری دارند.
یوان و همکارانش.[9] برای تشخیص خودکار و طبقهبندی EEG مبتلابه صرع از ویژگیهای غیرخطی آنتروپی تقریبی - ApEn - ، توان هرست و آنالیز نوسانات DFA استفاده نمودند.
حسینی فرد و همکارانش.[10] برای تمایز بیماران مبتلابه افسردگی و افراد بهنجار چهار ویژگی غیرخطی شامل تحلیل DFA، بعد فرکتال هیگوچی، بعد همبستگی و نمای لیاپانوف از سیگنال EEG استخراج نموده و با استفاده از LR به طبقه-بندی پرداختند.
جعفری[11] برای تشخیص آپنه خواب از ویژگیهای غیرخطی آنالیز DFA، ابعاد همبستگی - CD - ، نماهای بزرگ لیاپانوف - LLEs - و آنتروپی طیفی - SE - وطبقهبند SVM بهره گرفت.
اوپهادیا و همکارانش.[12]یک روش برای تشخیص سطح هوشیاری خودکار از مغز انسان با استفاده از ویژگیهای غیرخطی بعد فرکتال هیگوچی، بعد فرکتال پتروسیان و آنالیز DFA وبه منظور طبقهبندی از سه روش یادگیری ماشین برای تشخیص سطح هوشیاری مانند ماشین بردار پشتیبان، حداقل مربعات-ماشین بردار پشتیبان و شبکه عصبی مصنوعی استفاده کردند. علیمردانی و همکارانش.[13]یک روش انتخاب مشخصه مؤثر برای شاخصهای همگامی افتراقی در جهت دستهبندی بیماران مبتلابه اسکیزوفرنی از بیمارانی با اختلالات خلقی دوقطبی - BMD - ارائه کردند.
نگیوین وهمکارانش.[ 14]یک روش برای طبقهبندی موتور تصویری سیگنالهای EEG با استفاده از یک سیستم منطق فازی میانی نوع - IT2FLS - 2 در ترکیب با تبدیل موجک معرفی میکنند. گولر و اوبلی[ 15]پنج طبقه بند سیستم استنتاج فازی -عصبی تطبیقی - ANFIS - برای طبقهبندی پنج کلاس از سیگنالهای EEG بر اساس ورودی بهدستآمده توسط تبدیل موجک - WT - طراحی کردند. یک روش با استفاده از ANFIS برای تشخیص صرع در EEG بر اساس مجموعهای از ویژگیهای آماری استخراجشده از زیر باندهای WT گسسته نیز در مقاله سوباسی[ 16]معرفی شده است. نویسنده نشان داد که ANFIS اعتبار خروجی طبقهبندی از طریق مدلسازی عدم قطعیت افزایش یافته است و درنتیجه آن دارای پتانسیل در تشخیص صرع است.
استفاده از SVM فازی - FSVM - برای طبقهبندی بر اساس EEG برای-تصاویر موتور چپ و راست با ویژگیهای موجک بهدستآمده در دو زیر باند بتا و مو ریتمهایی در مقاله خو، ژو، وانگ[17]مطرح شد. هوانگ[18]طبقه بند FSVM بهعنوان یک روش مؤثر و امیدوارکننده برای شناسایی وظایف ذهنی متفاوت از سیگنالهای EEG نشان داده شده است.
بهتازگی یانگ، وانگ و اویانگ[19]از طبقه بند ANFIS برای تمایز وضعیتهای الکتریکی صرع در طول خواب - ESES - و سیگنالهای EEG طبیعی استفاده کردند. آنتروپی جایگشت و آنتروپی نمونه از سیگنالهای EEG بهعنوان ورودی به مدل ANFIS بکار گرفته شدهاند. در این پژوهش، ANFIS را بهعنوان یک ابزار بالقوه برای طبقهبندی EEG بیماران ESES از افراد نرمال گروه کنترل آن برجسته کرده است.
در این تحقیق، ما به بررسی سیگنالهای EEG مربوط به زنان و مردان میپردازیم به این صورت که سیگنالهای خام را پیشپردازش مینماییم و در مرحله استخراج ویژگی با رویکرد ترکیبی از دو ویژگی غیرخطی بعد فرکتال - Fractal dimension و شاخص Detrended Fluctuation - DFA - Analysis استفاده کردیم و پس از استخراج ویژگی، از آنالیز واریانس - ANOVA - برای انتخاب الکترود استفاده شده است. در انتها از سیستم استنتاج فازی-عصبی تطبیقی - ANFIS - برای طبقهبندی سیگنالهای EEG کمک گرفتیم.
ادامه مقاله به صورت زیر فصل بندی شده است:
در بخش دوم روش پیشنهادی بهصورت مشروح توضیح داده میشود و در بخش سوم نتایج شبیهسازی روش پیشنهادی و مقایسه نتایج آزمایشهای مختلف بر روی آن آمده است. نهاتاًی در بخش چهارم نتیجهگیری ارائه میگردد.
.2 روش پیشنهادی
آنچه ما بهعنوان روش پیشنهادی انجام میدهیم در فلوچارت شکل 1 آورده شده است. بهصورت خلاصه، سیگنال مغزی بهوسیله الکترودها از مغز افراد تعیینشده توسط پرسشنامههای خاص، گرفته شده و عملیات پیشپردازش روی سیگنال مغزی خام انجام میشود. سپس ویژگیهای غیرخطی موردنظر از روی سیگنالهای پیشپردازش شده استخراج میشود. در این مرحله انتخاب کانال با استفاده از آزمون ANOVA صورت میگیرد. درنهایت عملیات طبقهبندی و مدلسازی با استفاده از طبقه بند ANFIS انجام شده است.
شکل .3 فلوچارت روش پیشنهادی
.1-2 شرح دادگان
دادگان مورداستفاده در این تحقیق مربوط به مقاله آقای احمدی[20]که در سال 2013 انجام شده است، میباشد. در ادامه راجع به دادگان توضیح داده خواهد شد.
.1-1-2 افراد
هفتادوسه بزرگسال راستدست 37 - زن و 36 مرد - بدون سابقه اختلالات عصبی / روانی، آسیبهای مغزی یا تشنج، استفاده دارو / مواد مخدر و یا سیگار کشیدن طولانیمدت در این مطالعه شرکت کردند. پسازآن که اهداف مطالعه و روشهای تجربی بهطور کامل توضیح داده شده بود، همه افراد رضایت آگاهانه کتبی برای مشارکت امضا کردند. افراد موردمطالعه با در نظر گرفتن شدت افسردگی، اضطراب، و استرس و هوش غیرکلامی - IQ - ، سن، میزان تحصیلات، و عادت به استفاده از یک دست بیش از دست دیگر انتخاب شدند.
