کاربرد مدل های هوش مصنوعی در تحلیل سیگنال های نوار مغزی به منظور تشخیص اختلال اسکیزوفرنی

اختلال اسکیزوفرنی یکی از پیچیده ترین اختلالات شدید در روان پزشکی است که تشخیص دقیق و به موقع آن همواره با محدودیت های جدی و با چالش هایی مواجه بوده است. در سال های اخیر، تحلیل سیگنال های مغزی نظیر EEG و fMRI به عنوان رویکردی موثر، برای شناسایی الگوهای نوروفیزیولوژیک مرتبط با این اختلال مطرح شده و مورد توجه پژوهشگران قرار گرفته است. هم زمان با پیشرفت های چشمگیر در حوزه هوش مصنوعی، به ویژه یادگیری عمیق، امکان استخراج الگوهای پیچیده و پنهان در داده های مغزی را فراهم ساخته و ظرفیت قابل توجهی برای ارتقای فرآیند تشخیص فراهم کرده است. بررسی مطالعات انجام شده نشان می دهد که مدل های شبکه های عصبی، به ویژه معماری های کانولوشنی و ترکیبی، در تمایز سیگنال های مغزی بیماران مبتلا به اسکیزوفرنی از افراد سالم، عملکرد قابل توجهی داشته اند. این مدل ها از توانایی بالایی در تحلیل الگوهای زمانی–مکانی، ویژگی های طیفی و شاخص های عملکردی برخوردار بوده و نسبت به روش های کلاسیک، دقت و پایداری بیشتری دارند. با وجود این ویژگی ها، چالش هایی مانند محدودیت حجم نمونه، تنوع پایین داده ها، حساسیت سیگنال های مغزی به نویز، مانع از کاربرد بالینی گسترده از این رویکردها شده است. توسعه روش های قابل تفسیر، افزایش مجموعه داده های چند مرکزی و بهره گیری از معماری های نوین مانند مدل های مبتنی بر ترنسفورمرها می تواند مسیرهای موثری برای پیشرفت این حوزه فراهم سازد.

کلیدواژه ها:

پردازش سیگنال EEG ، تشخیص اسکیزوفرنی ، الگوریتم های یادگیری ماشین ، تحلیل مقایسه ای ، مدل های یادگیری عمیق