جمعه 21 شهریور 1404
| English
تابستان
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
Ethics code: IR.ISAAR.REC.1402.003
1- موسسه آموزش عالی علوم شناختی
2- گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه خوارزمی
3- گروه روانشناسی، دانشکده روانشناسی، دانشگاه خوارزمی
4- دانشکده مهندسی برق و کامپیوتر دانشگاه تهران
2- گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه خوارزمی
3- گروه روانشناسی، دانشکده روانشناسی، دانشگاه خوارزمی
4- دانشکده مهندسی برق و کامپیوتر دانشگاه تهران
چکیده: (29 مشاهده)
مقدمه: اختلال استرس پس از سانحه (PTSD) به‌عنوان 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 می باشد و ارزیابی‌های شناختی می‌تواند معیار مهمی در تشخیص آن باشد.
روش کار: در این پژوهش از داده‌های آزمون CANTAB تکلیف SWM بالینی برای ارزیابی معیارهایی مانند DTLR، CD، BE، WE، TF و DD در مراحل مختلف استفاده شده است. داده‌ها پس از نرمال‌سازی، استاندارد شده و با اضافه کردن نویز گوسی تقویت شده اند. 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: یافته ها نشان میدهد که ویژگی‌های معرفی و استخراج شده در شناسایی تفاوت‌های پیچیده عملکرد شناختی، که نشانه‌های PTSD را بارز می‌سازند، بصورت موثری عمل نموده اند. اطلاعات جمع‌آوری‌شده از این ویژگی‌ها، توانایی بالای مدل را در شبیه‌سازی و تحلیل علائم PTSD و همچنین تمایز دقیق میان گروه‌های مبتلا و دارای اختلال به‌طور مؤثری نشان می دهد.
نتیجه‌گیری: مدل یادگیری ماشین به‌کار گرفته‌شده در این پژوهش، امکان استفاده از آزمون CANTAB 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 آزمون CANTAB تکلیف SWM بالینی برای ارزیابی معیارهایی مانند DTLR، CD، BE، WE، TF و DD در مراحل مختلف استفاده شده است. داده‌ها پس از نرمال‌سازی، استاندارد شده و با اضافه کردن نویز گوسی تقویت شده اند. 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: یافته ها نشان میدهد که ویژگی‌های معرفی و استخراج شده در شناسایی تفاوت‌های پیچیده عملکرد شناختی، که نشانه‌های PTSD را بارز می‌سازند، بصورت موثری عمل نموده اند. اطلاعات جمع‌آوری‌شده از این ویژگی‌ها، توانایی بالای مدل را در شبیه‌سازی و تحلیل علائم PTSD و همچنین تمایز دقیق میان گروه‌های مبتلا و دارای اختلال به‌طور مؤثری نشان می دهد.
نتیجه‌گیری: مدل یادگیری ماشین به‌کار گرفته‌شده در این پژوهش، امکان استفاده از آزمون CANTAB 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
دریافت: 1403/12/7 | پذیرش: 1404/6/20
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
