دوره 25، شماره 2 - ( تابستان 1402 )                   جلد 25 شماره 2 صفحات 132-119 | برگشت به فهرست نسخه ها

Research code: 1401-1-15-22171
Ethics code: IR.IUMS.FMD.REC.1401.451


XML English Abstract Print


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
چکیده:   (715 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.

 
متن کامل [PDF 1073 kb]   (223 دریافت)    
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

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.