دوشنبه 10 مهر 1402
| English
دوره 25، شماره 2 - ( 4-1402 )
جلد 25 شماره 2 صفحات 107-97 |
برگشت به فهرست نسخه ها
Research code: 1401-1-15-22171
Ethics code: IR.IUMS.FMD.REC.1401.451
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Motamedi H, Farokhzadi A, Shahbazi A, Ghadiri Vasfi M, Nazari M A. Investigating the Specific Spectral Features of Obsessive-Compulsive Disorder in Quantitative Electroencephalography. Advances in Cognitive Sciences 2023; 25 (2) :97-107
URL: http://icssjournal.ir/article-1-1552-fa.html
URL: http://icssjournal.ir/article-1-1552-fa.html
معتمدی هادی، فرخزادی امیررضا، شهبازی علی، قدیری وصفی محمد، نظری محمدعلی. بررسی ویژگی‌های طیفی مرتبط با اختلال وسواسی-جبری در الکتروانسفالوگرافی کمی. تازه های علوم شناختی. 1402; 25 (2) :97-107
هادی معتمدی1 
، امیررضا فرخزادی1، علی شهبازی* 1، محمد قدیری وصفی1، محمدعلی نظری1
، امیررضا فرخزادی1، علی شهبازی* 1، محمد قدیری وصفی1، محمدعلی نظری1
1- دانشگاه علوم پزشکی ایران
چکیده: (129 مشاهده)
مقدمه: از میان تکنیک‌های نقشه برداری مغزی، الکتروانسفالوگرافی کمی با کاربری آسان‌تر جهت بررسی اختلالات روانپزشکی از جمله اختلال وسواسی-جبری(OCD) مورد اقبال واقع شده است. ویژگی‌های طیفی، نمایانگر توزیع قدرت سیگنال در باند‌های فرکانسی مختلف سیگنال الکتروانسفالوگرافی کمی می‌باشند و میتوانند تفاوت فعالیت عصبی نواحی مختلف را که شاید زمینه ساز بیماری باشند مشخص کنند. در این مطالعه با استفاده از ویژگی‌های طیفی دخیل در اختلال OCD که بر اساس مطالعات گذشته شناخته شده است را بررسی کرده و به عنوان ورودی داده‌ها به عملکرد الگوریتم پیشنهادی عملکرد بررسی کردیم.
روش کار: این مطالعه یک مطالعه مقطعی تحلیلی بود. سیگنال‌های الکتروانسفالوگرافی در حالت استراحت از افراد دارای اختلال و سالم در شرایط چشم بسته به دست آمد. این روش با استفاده از کلاهک ۲۱ کاناله انجام شد. پس از حذف نویز با روش ICA ویژگی‌های طیفی محاسبه و پس از افزایش داده‌ها از طریق تقسیم الکتروانسفالوگرام به سیگنال‌های یک دقیقه‌ای، به عنوان ورودی ماشین یادگیری استفاده شد. همچنین با استفاده از آزمون‌های آماری این ویژگی‌ها بین دوگروه سالم و افراد دارای اختلال مقایسه شد.
یافته‌ها: ۴۲ فرد وارد مطالعه شدند که ۲۷ نفر دارای اختلال و ۱۴ نفر سالم بودند. مشخص شد که هیچ یک از ویژگی‌های استخراج شده بین دوگروه اختلاف معناداری نداشتند. حساسیت ارایه شده توسط الگوریتم یادگیری ماشین ۸۳.۳٪، اختصاصیت ٪۸۰، دقت ۸۲.۱ و نرخ نسبت یافتن غلط (FDR) ۱۱.۷٪ بدست آمد.
نتیجه گیری: برخلاف مطالعات قبل اغلب ویژگی‌های طیفی بجز یک مورد (بتای ناحیه پیشانی) اختلاف معناداری نداشتند. الگوریتم یادگیری ماشین با دقت ٪۸۲.۱ توانست افراد مبتلا را تشخیص دهد. این عملکرد قابل قبول و مشابه عملکرد دیگر الگوریتم‌ها با ویژگی‌های غیر‌طیفی و روش‌های تصویربرداری دیگر بود.
روش کار: این مطالعه یک مطالعه مقطعی تحلیلی بود. سیگنال‌های الکتروانسفالوگرافی در حالت استراحت از افراد دارای اختلال و سالم در شرایط چشم بسته به دست آمد. این روش با استفاده از کلاهک ۲۱ کاناله انجام شد. پس از حذف نویز با روش ICA ویژگی‌های طیفی محاسبه و پس از افزایش داده‌ها از طریق تقسیم الکتروانسفالوگرام به سیگنال‌های یک دقیقه‌ای، به عنوان ورودی ماشین یادگیری استفاده شد. همچنین با استفاده از آزمون‌های آماری این ویژگی‌ها بین دوگروه سالم و افراد دارای اختلال مقایسه شد.
یافته‌ها: ۴۲ فرد وارد مطالعه شدند که ۲۷ نفر دارای اختلال و ۱۴ نفر سالم بودند. مشخص شد که هیچ یک از ویژگی‌های استخراج شده بین دوگروه اختلاف معناداری نداشتند. حساسیت ارایه شده توسط الگوریتم یادگیری ماشین ۸۳.۳٪، اختصاصیت ٪۸۰، دقت ۸۲.۱ و نرخ نسبت یافتن غلط (FDR) ۱۱.۷٪ بدست آمد.
نتیجه گیری: برخلاف مطالعات قبل اغلب ویژگی‌های طیفی بجز یک مورد (بتای ناحیه پیشانی) اختلاف معناداری نداشتند. الگوریتم یادگیری ماشین با دقت ٪۸۲.۱ توانست افراد مبتلا را تشخیص دهد. این عملکرد قابل قبول و مشابه عملکرد دیگر الگوریتم‌ها با ویژگی‌های غیر‌طیفی و روش‌های تصویربرداری دیگر بود.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
مدل سازی شناختی، پردازش سیگنال و تصویربرداری مغز
دریافت: 1402/3/2 | پذیرش: 1402/5/24 | انتشار: 1402/6/29
دریافت: 1402/3/2 | پذیرش: 1402/5/24 | انتشار: 1402/6/29
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
