Journal of Health and Biomedical Informatics

fa طبقه‌بندی بیماران اسکیزوفرنی با استفاده از شبکه عملکردی مغزی الکتروانسفالوگرافی (EEG) Classification of Schizophrenia Patients using EEG- based Functional Connectivity Map هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Introduction: Functional brain connectivity derived from electroencephalography (EEG) has been widely used to investigate dynamic cognitive processes, information flow in the brain, and the diagnosis of neurological and psychiatric disorders such as schizophrenia. Schizophrenia is a complex disorder characterized by disruptions in functional and attentional brain networks. Accurately examining these alterations requires analytical approaches with high temporal resolution and network-based modeling capabilities. The aim of this study was to analyze patterns of effective brain connectivity in patients with schizophrenia compared with healthy individuals using EEG data and to apply advanced deep learning models for group classification. Method: This study analyzed EEG-based brain connectivity networks of 17 healthy participants and 19 patients with schizophrenia while they performed a task involving the comparison of unilateral and bilateral visual processing. After data processing, functional brain graphs were constructed, and four graph-theoretical metrics including node strength, global efficiency, clustering coefficient, and modularity index were calculated. These features were then used to classify healthy participants and patients with schizophrenia using a deep learning model based on a Long Short-Term Memory (LSTM). Results: The performance of the classification model was evaluated using accuracy, precision, recall, and F-score metrics. The proposed method achieved an accuracy of 94%, outperforming previous studies that classified patients with schizophrenia and healthy participants based on functional connectivity features. Conclusion: The results demonstrate the effectiveness of an LSTM-based recurrent deep learning model in distinguishing patients with schizophrenia from healthy individuals using EEG data. Additionally, the significance of features obtained from the functional brain graph and the task utilized is emphasized. The high classification accuracy suggests that the observed deficits in attention-related brain networks in patients with schizophrenia particularly during unilateral and bilateral visual processing. These deficits represent reliable neural markers differentiating patients with schizophrenia from healthy individuals. <div style="text-align: justify;"></div></div> اسکیزوفرنی, طبقه‌بندی, الکتروآنسفالوگرافی (EEG), اتصالات عملکردی Schizophrenia, Classification, EEG, Functional connectivity 216 235 http://jhbmi.ir/browse.php?a_code=A-10-1089-2&slc_lang=fa&sid=1 Mohammad Reza Tamkin محمدرضا تمکین mohammadreza.tamkin@yahoo.com 100319475328460010872 100319475328460010872 No M.Sc in Electrical Engineering, Department of Electrical Engineering, Shahid Bahonar University of Kerman, Kerman, Iran کارشناسی ارشد رشته مهندسی برق، بخش مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایران Hoda Jalalkamali هدی جلال کمالی hodajalalkamali@uk.ac.ir 100319475328460010873 100319475328460010873 Yes Assistant Professor, PhD in Cognitive Neuroscience, Computer Engineering Department, Higher Education Complex of Zarand, Shahid Bahoner University of Kerman, Kerman, Iran دکترای علوم اعصاب شناختی، استادیار گروه مهندسی کامپیوتر، مجتمع آموزش عالی زرند، دانشگاه شهید باهنر کرمان، کرمان، ایران Hossein Nezam Abadi-pour حسین نظام آبادی پور Nezam@uk.ac.ir 100319475328460010874 100319475328460010874 No Professor, Department of Electrical Engineering, Shahid Bahonar University of Kerman, Kerman, Iran استاد بخش مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایران