برخلاف بسیاری از مطالعاتی که طبقه‌بندی بیماران مبتلا به آلزایمر (AD)، افراد سالم (HC) و افراد مبتلا به اختلال شناختی خفیف (MCI) را بررسی می‌کنند، هدف این مقاله بررسی این موضوع است که آیا می‌توان شدت زوال شناختی را با ویژگی‌های خطی و غیرخطی استخراج شده از سیگنال الکتروانسفالوگرافی (EEG) تشخیص داد؟
به این منظور، ویژگی‌های خطی و غیرخطی از سیگنالEEG استخراج شده و همبستگی بین مارکرهای EEG و نمرات MMSE در ناحیه فرونتال بیماران مبتلا به آلزایمر مورد بررسی قرار می‌گیرد. ابتدا، از 20 بیمار مبتلا به آلزایمر که با تشخیص اولیه مراجعه کرده بودند، آزمون MMSE گرفته شد. سپس فعالیت مغز افراد مبتلا از طریق سیگنال EEG ثبت گردید و پس از پیش پردازش این سیگنال، ویژگی‌های خطی و غیر خطی مختلف از آن استخراج شد که به عنوان ورودی الگوریتم‌های یادگیری ماشین برای پیشبینی استفاده می‌شود. براساس آزمایش‌ها، بهترین نتیجه طبقه‌بندی مربوط به شبکه حافظه بلند کوتاه‌مدت(LSTM) با دقت 68 درصد است. یافته‌ها نشان می‌دهد که با استفاده از الگوریتم‌های یادگیری ماشین و ویژگی‌های استخراج شده از سیگنال EEG نمرات MMSE در سه سطح پیش بینی می‌شود. در این تحقیق، با استفاده از ویژگی‌های خطی و غیرخطی استخراج‌شده از سیگنال‌های EEG و ترکیبی از آنها با سن شرکت‌کنندگان و نیز آموزش و آزمایش الگوریتم‌های مختلف یادگیری ماشین، امتیاز MMSE در سه سطح پیشبینی می‌شود. اگرچه شبکه‌های عصبی عمیق برای آموزش به داده‌های زیادی نیاز دارند، اما در این کار شبکه عصبی LSTM که برای پردازش سری‌های زمانی با مقدار محدود ش داده مناسب است، توانسته بهترین عملکرد را به دست آورد. انتظار می‌رود با افزایش تعداد آزمودنی‌ها، که نتایج طبقه بندی نیز افزایش یابد.
