دوره 25، شماره 2 - ( تابستان 1402 )
جلد 25 شماره 2 صفحات 132-119 |
برگشت به فهرست نسخه ها
امیررضا فرخزادی1 
، هادی معتمدی1 ، علی شهبازی*2 ، محمد قدیری3 ، محمدعلی نظری3
، هادی معتمدی1 ، علی شهبازی*2 ، محمد قدیری3 ، محمدعلی نظری3
1- کمیته تحقیقات دانشجویی، دانشکده فناوری‌های نوین، دانشگاه علوم پزشکی ایران، تهران، ایران/ گروه علوم اعصاب، دانشکده فناوری‌های نوین پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
2- گروه علوم اعصاب، دانشکده فناوری‌های نوین پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
3- مرکز تحقیقات اعتیاد و رفتارهای پرخطر، دانشکده پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
2- گروه علوم اعصاب، دانشکده فناوری‌های نوین پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
3- مرکز تحقیقات اعتیاد و رفتارهای پرخطر، دانشکده پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
چکیده: (1084 مشاهده)
مقدمه: از میان تکنیک‌های نقشه‌برداری مغزی، الکتروانسفالوگرافی کمی با کاربری آسان‌تر جهت بررسی اختلالات روان‌پزشکی از جمله اختلال وسواسی_جبری 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 زمینه‌ساز بیماری باشند مشخص کنند. در این مطالعه با استفاده از ویژگی‌های طیفی دخیل در اختلال وسواسی_جبری 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 دو گروه 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 دو گروه اختلاف معناداری نداشتند. حساسیت ارایه شده توسط الگوریتم یادگیری ماشین 83/3 درصد، اختصاصیت ۸۰ درصد، دقت 82/1 درصد و نرخ نسبت یافتن غلط (FDR) 11/7 درصد به دست آمد.
نتیجه‌گیری: برخلاف مطالعات قبل اغلب ویژگی‌های طیفی به جز یک مورد (بتای ناحیه پیشانی) اختلاف معناداری نداشتند. الگوریتم یادگیری ماشین با دقت 82/1 درصد 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 دو گروه 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 دو گروه اختلاف معناداری نداشتند. حساسیت ارایه شده توسط الگوریتم یادگیری ماشین 83/3 درصد، اختصاصیت ۸۰ درصد، دقت 82/1 درصد و نرخ نسبت یافتن غلط (FDR) 11/7 درصد به دست آمد.
نتیجه‌گیری: برخلاف مطالعات قبل اغلب ویژگی‌های طیفی به جز یک مورد (بتای ناحیه پیشانی) اختلاف معناداری نداشتند. الگوریتم یادگیری ماشین با دقت 82/1 درصد 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
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |