تحلیلی بر تشخیص افسردگی بالینی مبتنی بر هوش مصنوعی و یادگیری ماشین(ماشین لرنینگ)
- سال انتشار: 1403
- محل انتشار: سومین کنفرانس دانشجویان مهندسی کامپیوتر و فناوری اطلاعات و ارتباطات
- کد COI اختصاصی: CICTC03_002
- زبان مقاله: فارسی
- تعداد مشاهده: 252
نویسندگان
لیسانس مهندسی پزشکی، دانشگاه غیرانتفاعی رجا، قزوین، ایران
کارشناس ارشد مهندسی پزشکی بیوالکتریک، دانشگاه آزاد اسلامی، واحد الکترونیکی، تهران، ایران.
کارشناسی مهندسی برق، شبکه های انتقال و توزیع، دانشگاه غیرانتفاعی میعاد، مهاباد، ایران
چکیده
اختلال های افسردگی، جزو اختلال های خلقی به شمار می روند. افسردگی به هر شکل، دیده شود، ش یوه دید فرد از خود،از دیگران و از جهان را تعریف می کند. اختلال افسرردگی، قدرت قضاوت را تضعیف می کند و باعث رفتارهای نامعقولمی شود . در هر یک از موارد، بیمار نمی تواند زندگی روزمره عادی داشته باشد. افسردگی می تواند، باعث ابتلای بیمار بهانواع بیماری های جسمی و روانی شود. به طور کلی اختلال افسردگی اساسی ( MDD ) یک بیماری روانی شایع استکه منجر به اختلالات ایمنی و حتی افکار خودکشی می شود. تکنیک های تصویربرداری عصبی به عنوان یک ابزار کمیبرای ارزیابی تشخیص MDD عمل می کنند. در حوزه تشخیص تصویربرداری رزونانس مغناطیسی به کمک رایانه،تحقیقات کنونی عمدتا بر روی اطلاعات محلی یا جهانی جدا شده تمرکز می کند و اغلب از یکپارچگی هم افزایی منابعداده های متعدد غفلت می کند، بنابراین به طور بالقوه جزئیات ارزشمند را نادیده می گیرد. برای پرداختن به این موضوع،ما یک مدل تشخیصی برای MDD پیشنهاد کردیم که اطلاعات فرکانس بالا و فرکانس پایین را با ا ستفاده از داده هایتصویربرداری تانسور انتشار ۲ ( DTI )، تصویربرداری تشدید مغناطیسی ساختاری sMRI و تصویربرداری تشدیدمغناطیسی عملکردی fMRI ادغام می کند . ابتدا، ما یک رمزگذار متا فرکانس پا یین ۳ ( MLFE ) و یک رمزگذار بافرکا نس بالا ۴ ( MHFE ) طراحی کردیم تا اطلاعات ویژگی فرکانس پا یین و فرکانس بالا را به ترتیب از DTI و sMRIاستخراج کنیم. سپس، ما از یک پرسپترون چند لایه ۵ ( MLP ) برای استخراج ویژگی ها از داده های fMRI اتفادهکردیم. به دنبال ترکیب متقابل ویژگی ۶ ، ما روش رای گیری آسررتانه ۷ یادگیری گروهی را برای تعیین تشخیص نهاییبرای MDD طراحی کردیم. این مدل به ترتیب به دقت، دقت، ویژگی، امتیاز F۱ ، MCC و AUC به ترتیب ۰.۷۲۴، ۰.۷۵۰ ، ۰.۸۸۲ ، ۰.۶۰۰ ، ۰.۴۲۱ و ۰.۶۶۷ دست یافت. این رویکرد ایده های تحقیقاتی جدیدی را برای تشخیصMDD ارائه می دهدکلیدواژه ها
اختلال افسردگی اساسی، تصویربرداری رزونانس مغناطیسی، چند وجهی، یادگیری ماشین.مقالات مرتبط جدید
- تاثیر میکروبهای مقاوم به آنتی بیوتیک در زنجیرههای آبی شهری و راهکارهای کنترلی
- مدل سازی ساختاری عوامل اجتماعی و فردی موثر بر روی فاکتور کشف خطر با نقش میانجی رضایت شغلی در صنعت پتروشیمی
- تحلیل و طراحی سیستمهای هوشمند در ساختمان های پایدار
- طراحی و پیاده سازی میکسر صنعتی هوشمند با امکان افزودن خودکار مواد روغنی و کنترل فیزیکوشیمیایی محصول
- مدیریت و تعیین میزان برداشت بهینه از آبخوانها
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.