دوره 12، شماره 3 - ( 9-1404 )
جلد 12 شماره 3 صفحات 235-216 |
برگشت به فهرست نسخه ها
دکترای علوم اعصاب شناختی، استادیار گروه مهندسی کامپیوتر، مجتمع آموزش عالی زرند، دانشگاه شهید باهنر کرمان، کرمان، ایران & گروه علوم زیست پزشکی و بالینی، دانشگاه لینشوپینگ، لینشوپینگ، سوئد
چکیده: (518 مشاهده)
مقدمه: شبکه عملکردی مغز بر اساس الکتروانسفالوگرافی (EEG) بهطور گستردهای برای مطالعه فرآیندهای شناختی پویا و جریان پردازش اطلاعات در مغز و همچنین برای تشخیص بیماریهای مغزی، مانند اسکیزوفرنی استفاده شده است.
اسکیزوفرنی یک اختلال پیچیده با اختلال در شبکههای عملکردی و توجهی مغز است که بررسی دقیق آن نیازمند تحلیلهای زمانی و شبکهای پیشرفته میباشد. هدف این پژوهش، تحلیل الگوهای اتصال مؤثر مغزی در بیماران مبتلا به اسکیزوفرنی در مقایسه با افراد سالم بهوسیله دادههای EEG و استفاده از مدلهای نوین یادگیری عمیق برای طبقهبندی این دو گروه است.
روش کار: در این پژوهش اتصالات مغزی شبکه EEG 17 فرد سالم و 19 بیمار اسکیزوفرنی حین انجام تکلیفی که پردازشهای بینایی یکطرفه با دوطرفه را مقایسه میکند، مورد تجزیهوتحلیل قرار میگیرد. پس از آمادهسازی دادهها، گراف عملکردی مغزی حاصل از EEG استخراج شده و چهار معیار قدرت گره، بهرهوری سراسری، ضریب خوشهبندی، شاخص ماژولاریتی محاسبه میشوند. سپس ویژگیهای حاصله با استفاده از یک مدل یادگیری عمیق مبتنی بر LSTM برای طبقهبندی افراد سالم و بیمار به کار میروند.
یافتهها: معیارهای Precision, Accuracy, Recall و Fscore برای ارزیابی مدل بهکار رفتند. مقایسه مدل طبقهبندی پیشنهادی با مطالعات مشابه که از ویژگیهای حاصل از اتصال عملکردی به طبقهبندی بیماران اسکیزوفرنی و افراد سالم پرداختهاند، نشان میدهد که دقت روش پیشنهادی (94%) از دقت به دست آمده از مطالعات مشابه بالاتر است.
نتیجهگیری: این یافته نشان میدهد که مدل یادگیری عمیق بازگشتی مبتنی بر LSTM برای طبقهبندی بیماران اسکیزوفرنی از افراد سالم با استفاده از EEG مفید است، بهعلاوه نشاندهنده مفید بودن ویژگیهای حاصله از گراف عملکردی مغز و همچنین تکلیف به کاررفته در این پژوهش است. دقت بالای به دستآمده نشان میدهد که نقص در شبکه مغزی مربوط به توجه در بیماران اسکیزوفرنی که حین مقایسه بین پردازشهای بینایی یکطرفه با دوطرفه آشکار میگردد، اختلالی است که میتواند بهخوبی این بیماران را از افراد سالم متمایز نماید.
اسکیزوفرنی یک اختلال پیچیده با اختلال در شبکههای عملکردی و توجهی مغز است که بررسی دقیق آن نیازمند تحلیلهای زمانی و شبکهای پیشرفته میباشد. هدف این پژوهش، تحلیل الگوهای اتصال مؤثر مغزی در بیماران مبتلا به اسکیزوفرنی در مقایسه با افراد سالم بهوسیله دادههای EEG و استفاده از مدلهای نوین یادگیری عمیق برای طبقهبندی این دو گروه است.
روش کار: در این پژوهش اتصالات مغزی شبکه EEG 17 فرد سالم و 19 بیمار اسکیزوفرنی حین انجام تکلیفی که پردازشهای بینایی یکطرفه با دوطرفه را مقایسه میکند، مورد تجزیهوتحلیل قرار میگیرد. پس از آمادهسازی دادهها، گراف عملکردی مغزی حاصل از EEG استخراج شده و چهار معیار قدرت گره، بهرهوری سراسری، ضریب خوشهبندی، شاخص ماژولاریتی محاسبه میشوند. سپس ویژگیهای حاصله با استفاده از یک مدل یادگیری عمیق مبتنی بر LSTM برای طبقهبندی افراد سالم و بیمار به کار میروند.
یافتهها: معیارهای Precision, Accuracy, Recall و Fscore برای ارزیابی مدل بهکار رفتند. مقایسه مدل طبقهبندی پیشنهادی با مطالعات مشابه که از ویژگیهای حاصل از اتصال عملکردی به طبقهبندی بیماران اسکیزوفرنی و افراد سالم پرداختهاند، نشان میدهد که دقت روش پیشنهادی (94%) از دقت به دست آمده از مطالعات مشابه بالاتر است.
نتیجهگیری: این یافته نشان میدهد که مدل یادگیری عمیق بازگشتی مبتنی بر LSTM برای طبقهبندی بیماران اسکیزوفرنی از افراد سالم با استفاده از EEG مفید است، بهعلاوه نشاندهنده مفید بودن ویژگیهای حاصله از گراف عملکردی مغز و همچنین تکلیف به کاررفته در این پژوهش است. دقت بالای به دستآمده نشان میدهد که نقص در شبکه مغزی مربوط به توجه در بیماران اسکیزوفرنی که حین مقایسه بین پردازشهای بینایی یکطرفه با دوطرفه آشکار میگردد، اختلالی است که میتواند بهخوبی این بیماران را از افراد سالم متمایز نماید.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1403/3/14 | پذیرش: 1403/9/19
دریافت: 1403/3/14 | پذیرش: 1403/9/19
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |