طراحی و پیاده سازی یک سیستم تشخیص خودکار اختلال دوقطبی مبتنی بر سیگنال های مغزی

بیماری دوقطبی از جمله بیماری هایی است که به دلیل داشتن شباهت های زیاد با دیگر بیماری های رفتاری، اغلب روانپزشکان در تشخیص صحیح و به موقع آن با مشکل مواجه اند. با توجه به اینکه تشخیص صحیح بیماری اولین و مهمترین قدم در مسیر درمان است، استفاده از روش های تشخیصی معتبر با درصد خطای کم که وابستگی ناچیزی به شرایط محیطی، فیزیکی و بیان علائم توسط بیمار داشته باشد، قابل اهمیت است. از روش های موثر و قابل اعتماد در زمینه تشخیص بیماری های اعصاب و روان، استفاده از سیگنال های مغزی است که تا کنون بسیار دیده شده است که در اختلالات متفاوت، تغییرات منحصر به فردی در این سیگنال ها ظاهر می شود که با استخراج و طبقه بندی این تغییرات می توان به تشخیص صحیح بیماری دست یافت. در این پروژه سعی شده است که با استخراج ویژگی های مناسب در حوزه زمان و فرکانس و مقایسه طبقه بندی کننده های خطی،svm و شبکه های عصبی، بهترین ویژگی ها و مناسب ترین طبقه بندی کننده ها را جهت تشخیص این اختلال و جدا کردن افراد سالم از بیمار، تعیین شود. ویژگی های، توان باند theta، معیار تحرک و فرکانس ماکزیمم بیشترین تاثیر را در طبقه بندی این سیگنال ها داشته اند. همچنین طبقه بندی کننده خطی ، با دقت تفکیک بالای 95% دارای بهترین درصد تفکیک و کمترین زمان لازم، در بین طبقه بندی کننده ها است.