مقایسه اختلاف بین اطلاعات متقابل الکترودهای الکتروانسفالوگرام در اسکیزوفرنی: یک مسئله طبقه بندی

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 306

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SHPP-8-3_009

تاریخ نمایه سازی: 20 مرداد 1400

چکیده مقاله:

مقدمه: ارزیابی الکتروانسفالوگرام بیماران اسکیزوفرنی موضوع بسیاری از تحقیقات اخیر بوده است. با این حال، تشخیص دقیق اسکیزوفرنی با استفاده از الکتروانسفالوگرام همواره یک بحث چالش برانگیز است. هدف: این مقاله با هدف بررسی اختلاف اطلاعات بین یک کانال مغزی و سایر الکترودها در دو گروه از بیماران اسکیزوفرنی و افراد سالم انجام شد. همچنین، قابلیت ویژگی های استخراجی در مسئله تفکیک دو گروه بررسی شد. روش : در مطالعه تحلیلی مشاهده ای حاضر، از ۱۹ کانال الکتروانسفالوگرام ۱۴ بیمار اسکیزوفرنی (۷ مرد با میانگین سنی ۳/۳ ± ۲۷/۹ سال و ۷ زن با میانگین سنی ۴/۱ ± ۲۸/۳ سال) که در انستیتوی روانپزشکی و مغز و اعصاب در ورشو لهستان بستری بودند، استفاده شد. به علاوه، داده های ۱۴ فرد سالم (۷ مرد و ۷ زن با میانگین سنی به ترتیب ۲/۹ ± ۲۶/۸ و ۳/۴ ± ۲۸/۷ سال) به عنوان گروه کنترلی تحلیل شد. پتانسیل اطلاعات متقابل و اطلاعات متقابل کوشی- شوارتز بین هر الکترود الکتروانسفالوگرام و تمام الکترودهای دیگر محاسبه شد. با استفاده از دو استراتژی، عملکرد ماشین بردار پشتیبان مورد بررسی قرار گرفت: (۱) اطلاعات متقابل یک کانال الکتروانسفالوگرام با کانال های دیگر و (۲) ترکیب اطلاعات متقابل تمام کانال های مغزی. یافته ها: نتایج نشان داد که با استفاده از اطلاعات متقابل بین کانال های الکتروانسفالوگرام، صحت تشخیص تا ۱۰۰٪ افزایش می یابد. برای هر دو شاخص، اطلاعات متقابل میان کانال O۲ با سایر کانال ها بالاترین عملکرد طبقه بندی را ارائه داد. نتیجه گیری: این نتایج سیستم پیشنهادی را به عنوان یک سیستم برتر در مقایسه با پیشرفته ترین ابزارهای تشخیص اسکیزوفرنی الکتروانسفالوگرام معرفی می کند.

نویسندگان

عاطفه گشوارپور

Ph.D, Department of Biomedical Engineering, Sahand University of Technology, Tabriz, Iran

عاتکه گشوارپور

Assistant Professor, Department of Biomedical Engineering, Imam Reza International University, Mashhad, Razavi Khorasan, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Akar SA, Kara S, Latifoglu F, Bilgiç V. (۲۰۱۶). Analysis ...
  • Akbari H, Ghofrani S, Zakalvand P, Sadiq MT. (۲۰۲۱). Schizophrenia ...
  • Boostani R, Sadatnezhad K, Sabeti M. (۲۰۰۹). An efficient classifier ...
  • Fernandez A, Gomez C, Hornero R, Lopez-Ibor JJ. (۲۰۱۳). Complexity ...
  • Gardony AL, Eddy MD, Brunye TT, Taylor HA. (۲۰۱۷). Cognitive ...
  • Goshvarpour A, Abbasi A, Goshvarpour A. (۲۰۱۶). Combination of sLORETA ...
  • Hornero R, Abásolo D, Jimeno N, Sánchez CI, Poza J, ...
  • Ibanez-Molina AJ, Lozano V, Soriano MF, Aznarte JI, Gomez-Ariza CJ, ...
  • Kang J, Chen H, Li X, Li X. (۲۰۱۹). EEG ...
  • Karimui RY, Azadi S, Keshavarzi P. (۲۰۱۹). The ADHD effect ...
  • Lee YJ, Zhu YS, Xu YH, Shen MF, Zhang HX, ...
  • Li Y, Tong S, Liu D, Gai Y, Wang X, ...
  • Olejarczyk E, Jernajczyk W. (۲۰۱۷). EEG in schizophrenia. RepOD. http://dx.doi.org/۱۰.۱۸۱۵۰/repod.۰۱۰۷۴۴۱ ...
  • Olejarczyk E, Jernajczyk W. (۲۰۱۷). Graph-based analysis of brain connectivity ...
  • Principe JC, Xu D, Zhao Q, Fisher III JW. (۲۰۰۰). ...
  • Principe JC. (۲۰۱۰). Information Theoretic Learning: Renyi's Entropy and Kernel ...
  • Racz FS, Stylianou O, Mukli P, Eke A. (۲۰۲۰). Multifractal ...
  • Roschke J, Aldenhoff JB. (۱۹۹۳). Estimation of the dimensionality of ...
  • Sabeti M, Katebi S, Boostani R. (۲۰۰۹). Entropy and complexity ...
  • Shim M, Hwang HJ, Kim DW, Lee SH, Im CH. ...
  • Siuly S, Khare SK, Bajaj V, Wang H, Zhang Y. ...
  • Tschacher W, Giersch A, Friston K. (۲۰۱۷). Embodiment and Schizophrenia: ...
  • World Health Organization. (۲۰۰۴). International Statistical Classification of Diseases and ...
  • نمایش کامل مراجع