رویکرد ترکیبی برای تشخیص بیماری های مغزی: ترکیب زنجیره های مارکوف پنهان با یادگیری عمیق (CNN,HMM)

تشخیص دقیق و زودهنگام بیماری های مغزی، به ویژه اختلالات عملکردی و روان شناختی مانند اضطراب، استرس و افسردگی، یکی از چالش های اصلی در پزشکی مدرن است. روش های یادگیری ماشین سنتی به استخراج دستی و زمان بر ویژگی ها وابسته اند و مدل های یادگیری عمیق نیز باوجود دقت بالا، اغلب به دلیل ماهیت "جعبه سیاه" خود، فاقد تفسیرپذیری لازم برای کاربردهای بالینی هستند. این پژوهش یک رویکرد ترکیبی نوآورانه برای تشخیص و طبقه بندی بیماری های مغزی بر اساس تحلیل سیگنال های الکتروانسفالوگرافی (EEG) ارائه می دهد. مدل پیشنهادی، قدرت استخراج ویژگی خودکار شبکه های عصبی کانولوشنی (CNN) را با توانایی مدل سازی زمانی و تفسیرپذیر زنجیره های مارکوف پنهان (HMM) تلفیق می کند. برای توسعه این سیستم، از یک پایگاه داده بالینی بومی شامل سیگنال های EEG ثبت شده از ۲۰۰ آزمودنی در چهار گروه (سالم، مضطرب، استرس مزمن و افسرده) استفاده شده است. نتایج نشان می دهد که مدل هیبریدی پیشنهادی با دقت بالای ۹۲.۵% در تشخیص چهار کلاس بیماری، عملکرد برتری نسبت به روش های مرسوم دارد و هم زمان از طریق ماتریس های گذار HMM، تفسیرپذیری مناسبی برای کاربردهای بالینی فراهم می آورد.

کلیدواژه ها:

تشخیص بیماری های مغزی ، سیگنال های EEG ، شبکه عصبی کانولوشنی ، زنجیره مارکوف پنهان ، یادگیری عمیق ، طبقه بندی اختلالات روان شناختی