تشخیص اسکیزوفرنی بر اساس سیگنال الکتروانسفالوگرام با استفاده از یادگیری عمیق

اسکیزوفرنی یک ناهنجاری در مغز است که در آن افراد واقعیت را غیر طبیعی تفسیر می کنند. این اختلال روانی با علائم رفتاری مانند توهم و بی نظمی گفتار مشخص می شود. سیگنال الکتروانسفالوگرام (EEG) اختلالات مغزی را نشان می دهد و به طور گسترده برای مطالعه بیماری های مغزی استفاده می شود. هدف این مقاله تشخیص خودکار اسکیزوفرنی از روی سیگنال EEG است. روش متداول در پژوهش ها، استخراج دستی ویژگی ها از سیگنال EEG است. از آنجا که الگوریتم های یادگیری عمیق توانایی استخراج خودکار ویژگی های مهم و طبقه بندی آنها را دارند، در این پژوهش به منظور استخراج ویژگی های مفیدتر، سیگنال EEG به یک شبکه عصبی عمیق بازگشتی کانولوشنی یازده لایه اعمال شده است. سیگنال های EEG جمع آوری شده در انیستیتو ورشو از ۱۴ فرد سالم و ۱۴ بیمار اسکیزوفرنی، در اینجا مطالعه شده است. مقدار میانگین معیارهای ارزیابی درستی مدل شامل Accuracy، Sensitivity، Specificity و PPV برای مدل پیشنهادی به ترتیب برابر ۹۸.۷۹%، .۹۸.۷۳%، ۹۸.۸۶%و ۹۹.۰۶% به دست آمد که بهبود عملکرد مدل پیشنهادی برای طبقه بندی بیماران اسکیزوفرنی و افراد سالم را در مقایسه با مدل های قبلی تایید می کند. مدل ارائه شده می تواند به عنوان یک ابزار تشخیصی به پزشکان برای تشخیص مراحل اولیه اسکیزوفرنی کمک کند

کلیدواژه ها:

اسکیزوفرنی ، الکتروانسفالوگرام ، شبکه های عصبی عمیق ، یادگیری عمیق