کاربرد شبکه های عصبی عمیق در تشخیص اسکیزوفرنی مبتنی بر سیگنال های EEG

اسکیزوفرنی یکی از اختلالات روان پزشکی مزمن و پیچیده است که تشخیص دقیق و به موقع آن می تواند در کنترل علائم، انتخاب شیوه درمان مناسب و بهبود کیفیت زندگی بیماران نقش مهمی داشته باشد. با توجه به محدودیت های روش های تشخیصی متداول، بهره گیری از رویکردهای داده محور و ابزارهای هوشمند در سال های اخیر مورد توجه پژوهشگران قرار گرفته است. در این میان، سیگنال های الکتروانسفالوگرام (EEG) به دلیل ماهیت غیرتهاجمی و توانایی ثبت فعالیت الکتریکی مغز، بستر مناسبی برای بررسی الگوهای مرتبط با اختلالات روانی فراهم می کنند. از سوی دیگر، مدل های یادگیری عمیق و شبکه های عصبی به دلیل قابلیت بالای خود در استخراج ویژگی های پنهان و شناسایی الگوهای پیچیده، جایگاه ویژه ای در تحلیل داده های زیستی و کاربردهای تشخیصی یافته اند.در این مطالعه، تشخیص اسکیزوفرنی بر پایه تحلیل سیگنال های EEG و با استفاده از چند مدل منتخب یادگیری عمیق مورد بررسی قرار می گیرد. پس از انجام مراحل پیش پردازش، حذف نویز و آماده سازی داده ها، عملکرد مدل های مختلف شبکه عصبی در تفکیک افراد مبتلا به اسکیزوفرنی از افراد سالم ارزیابی و با یکدیگر مقایسه می شود. تمرکز اصلی بر سنجش توانایی این مدل ها در استخراج ویژگی های موثر از داده های مغزی و شناسایی الگوهای مرتبط با این اختلال است. نتایج حاصل می تواند زمینه ساز انتخاب مدل مناسب تر و توسعه روش های هوشمند کمک تشخیصی در حوزه اختلالات روان پزشکی باشد.

کلیدواژه ها:

اسکیزوفرنی ، EEG ، یادگیری عمیق ، شبکه های عصبی ، تشخیص هوشمند