مروری بر تشخیص استرس پنهان با استفاده از ویژگی های توان کل QEEG و شبکه عصبی کانولوشنی

تشخیص استرس پنهان از جمله حوزه های مهم در علوم اعصاب و روان سنجی می باشد که توانایی پیشگیری از پیامدهای منفی روانی و جسمی را دارد. همچنین QEEG و به ویژه ویژگی های توان کل (Total Power) ابزارهای قدرتمندی جهت تحلیل فعالیت مغزی مرتبط با استرس به شمار می روند. در سال های اخیر شبکه های عصبی کانولوشنی (CNN) به دلیل توانایی استخراج خودکار ویژگی های سلسله مراتبی از داده های پیچیده به طور گسترده در تحلیل EEG مورد استفاده قرار گرفته اند. این مقاله مروری مطالعات موجود در زمینه تشخیص استرس پنهان توسط ترکیب QEEG و CNN را جمع بندی و تحلیل می کند. ابتدا مبانی QEEG، EEG و ویژگی های توان کل معرفی می شوند سپس کاربرد CNN در استخراج ویژگی و طبقه بندی حالات استرس گفته می شود. نتایج حاکی از آن است که استفاده از CNN همراه با داده های طیفی یا تصویری EEG معمولا دارای دقت بالاتری نسبت به داده خام می باشند و معماری های هیبریدی + CNN LSTM قابلیت بهبود عملکرد را دارند، همچنین چالش های موجود شامل تنوع داده ها، ناهنجاری های بین فردی و نیاز به استانداردسازی داده ها مورد بررسی قرار گرفته و فرصت های تحقیقاتی آینده پیشنهاد شده است. یافته های این مرور راهنمایی برای پژوهشگران در توسعه سیستم های خودکار تشخیص استرس با دقت بالا فراهم آورده است.

کلیدواژه ها:

EEG ، استرس ، پنهان ، QEEG ، شبکه عصبی ، کانولوشنی ، سلامت ، مهندسی پزشکی