جمعه 10 بهمن 1404
| English
دوره 27، شماره 2 - ( تابستان 1404 )
جلد 27 شماره 2 صفحات 80-66 |
برگشت به فهرست نسخه ها
Ethics code: IR.ISAAR.REC.1402.003
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Pourbaghi N, Pedram M M, Moradi A, Setarehdan S K. Diagnosing post-traumatic stress disorder using CANTAB test data and a machine learning model. Advances in Cognitive Sciences 2025; 27 (2) :66-80
URL: http://icssjournal.ir/article-1-1763-fa.html
URL: http://icssjournal.ir/article-1-1763-fa.html
پورباقی نوشین، پدرام میر محسن، مرادی علیرضا، ستارهدان سید کمالالدین. تشخیص اختلال استرس پس از سانحه با استفاده از دادههای آزمون CANTAB و یک مدل یادگیری ماشین. تازه های علوم شناختی. 1404; 27 (2) :66-80
1- کاندیدای دکتری علوم اعصاب شناختی – رایانش و هوش مصنوعی، موسسه آموزش عالی علوم شناختی، تهران، ایران
2- دانشیار گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران
3- استاد گروه روانشناسی، دانشکده روانشناسی، دانشگاه خوارزمی، تهران، ایران
4- استاد دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، تهران، ایران
2- دانشیار گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران
3- استاد گروه روانشناسی، دانشکده روانشناسی، دانشگاه خوارزمی، تهران، ایران
4- استاد دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، تهران، ایران
چکیده: (710 مشاهده)
مقدمه: اختلال استرس پس از سانحه به عنوان یک واکنش شدید روانی و عاطفی به تجربه رویدادهای آسیبزا و ناگوار همچون جنگ، تهدیدات جانی، بلایای طبیعی و خشونتهای شخصی شناخته میشود و اغلب منجر به ناهنجاریهای مزمن روانی و جسمانی میشود. مطالعات نشان داده است که اختلال در عملکرد اجرایی از شاخصههای این اختلال میباشد و ارزیابیهای شناختی میتواند معیار مهمی در تشخیص آن باشد.
روش کار: در این پژوهش از دادههای آزمونCANTAB تکلیف SWM بالینی برای ارزیابی معیارهایی مانند DTLR، CD، BE، WE، TF و DD استفاده شده است. دادهها پس از نرمالسازی، استاندارد شده و با اضافه کردن نویز گوسی تقویت شدهاند. سپس یک مدل ماشین بردار پشتیبان با هسته گوسین که با توجه به ویژگیهای خاص آن، توانایی بالایی در تفکیک الگوهای پیچیده و غیرخطی دارد، آموزش داده شده است.
یافتهها: یافتهها نشان میدهد که ویژگیهای معرفی و استخراج شده در شناسایی تفاوتهای پیچیده عملکرد شناختی، که نشانههای PTSD را بارز میسازند، به صورت موثری عمل نمودهاند. اطلاعات جمعآوری شده از این ویژگیها، توانایی بالای مدل را در شبیهسازی و تحلیل علائم PTSD و همچنین تمایز دقیق میان گروههای مبتلا و دارای اختلال به طور مؤثری نشان میدهد.
نتیجهگیری: مدل یادگیری ماشین به کار گرفته شده در این پژوهش، امکان استفاده از آزمونCANTAB به عنوان یک ابزار عصبشناختی برای تشخیص اختلال PTSD را فراهم کرده است. صحت تشخیص مدل پیشنهادی در این مطالعه ۹۸ درصد بود که نشاندهنده قدرت بالا و اطمینانبخشی در تشخیص صحیح افراد مبتلا به این اختلال است.
روش کار: در این پژوهش از دادههای آزمونCANTAB تکلیف SWM بالینی برای ارزیابی معیارهایی مانند DTLR، CD، BE، WE، TF و DD استفاده شده است. دادهها پس از نرمالسازی، استاندارد شده و با اضافه کردن نویز گوسی تقویت شدهاند. سپس یک مدل ماشین بردار پشتیبان با هسته گوسین که با توجه به ویژگیهای خاص آن، توانایی بالایی در تفکیک الگوهای پیچیده و غیرخطی دارد، آموزش داده شده است.
یافتهها: یافتهها نشان میدهد که ویژگیهای معرفی و استخراج شده در شناسایی تفاوتهای پیچیده عملکرد شناختی، که نشانههای PTSD را بارز میسازند، به صورت موثری عمل نمودهاند. اطلاعات جمعآوری شده از این ویژگیها، توانایی بالای مدل را در شبیهسازی و تحلیل علائم PTSD و همچنین تمایز دقیق میان گروههای مبتلا و دارای اختلال به طور مؤثری نشان میدهد.
نتیجهگیری: مدل یادگیری ماشین به کار گرفته شده در این پژوهش، امکان استفاده از آزمونCANTAB به عنوان یک ابزار عصبشناختی برای تشخیص اختلال PTSD را فراهم کرده است. صحت تشخیص مدل پیشنهادی در این مطالعه ۹۸ درصد بود که نشاندهنده قدرت بالا و اطمینانبخشی در تشخیص صحیح افراد مبتلا به این اختلال است.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
مدل سازی شناختی، پردازش سیگنال و تصویربرداری مغز
دریافت: 1403/12/7 | پذیرش: 1404/6/20 | انتشار: 1404/7/13
دریافت: 1403/12/7 | پذیرش: 1404/6/20 | انتشار: 1404/7/13
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
