Advances in Cognitive Sciences

fa تشخیص اختلال استرس پس از سانحه با استفاده از داده‌های آزمون CANTAB و یک مدل یادگیری ماشین Diagnosing post-traumatic stress disorder using CANTAB test data and a machine learning model مدل سازی شناختی، پردازش سیگنال و تصویربرداری مغز پژوهشي اصیل Research <div style="text-align: justify;">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.</div> <div style="text-align: justify;">Introduction: Post-traumatic stress disorder (PTSD) is known as a severe psychological and emotional reaction to the experience of traumatic and adverse events such as war, life threats, natural disasters, and personal violence. This often leads to chronic mental and physical abnormalities. Studies have shown that executive function impairment is a characteristic of this disorder, and cognitive assessments can be an essential diagnostic criterion. Methods: This study uses data from the CANTAB clinical SWM task to assess measures such as DTLR, CD, BE, WE, TF, and DD at different stages. After normalization, the data are standardized and amplified by adding Gaussian noise. Then, a support vector machine model with a Gaussian kernel, which has a strong ability to distinguish complex, nonlinear patterns due to its special characteristics, is trained. Results: The extracted features were effective in identifying complex differences in cognitive performance that characterize PTSD symptoms. The information collected from these features demonstrated the model’s high ability to effectively simulate and analyze PTSD symptoms, as well as accurately distinguish between affected and non-affected groups. Conclusion: The machine learning model used in this study has enabled the use of the CANTAB test as a neuropsychological tool for diagnosing PTSD. The model’s accuracy in this study reached 98%, indicating high power and confidence in correctly diagnosing individuals with this disorder.</div> اختلال استرس پس از سانحه, ارزیابی شناختی, آزمون CANTAB, یادگیری ماشین Post-traumatic stress disorder, Cognitive assessment, CANTAB, Machine learning 66 80 http://icssjournal.ir/browse.php?a_code=A-10-401-1&slc_lang=fa&sid=1 Nooshin Pourbaghi نوشین پورباقی pourbaghi_n@icss.ac.ir 1819210685 100319475328460019694 No PhD Candidate of Brain and Computation, Department of Cognitive Modelling & Brain and Computation (CM&BC), Institute for Cognitive Science Studies, Tehran, Iran کاندیدای دکتری علوم اعصاب شناختی – رایانش و هوش مصنوعی، موسسه آموزش عالی علوم شناختی، تهران، ایران Mir Mohsen Pedram میر محسن پدرام Pedram@khu.ac.ir 2062840586 100319475328460019695 Yes Associate Professor of Electrical Engineering, Department of Electrical and Computer Engineering, Faculty of Engineering, Kharazmi University, Tehran, Iran دانشیار گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران Alireza Moradi علیرضا مرادی moradi@khu.ac.ir 100319475328460019696 100319475328460019696 No Professor of Clinical Psychology, Department of Clinical Psychology, Kharazmi University, Tehran, Iran استاد گروه روان‌شناسی، دانشکده روانشناسی، دانشگاه خوارزمی، تهران، ایران Seyed Kamaledin Setarehdan سید کمال‌الدین ستاره‌دان ksetareh@ut.ac.ir 1465684433 100319475328460019697 No Professor of Biomedical Engineering, School of Electrical and Computer Engineering, College of Engineering, University of Tehran, Tehran, Iran استاد دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، تهران، ایران