تشخيص و طبقه بندي اختلال افسردگي براساس تحليل سيگنال هاي مغزي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي پزشكي

كارشناسي ارشد

افسردگي يكي از شايع‌ترين اختلالات رواني است كه تاثير فراواني بر روند زندگي طبيعي فرد مي‌گذارد. دامنه‌ي گسترده‌ي علائم افسردگي و همچنين تشابه علائم آن با اختلال‌هاي ديگر، گاهي‌اوقات تشخيص آن را دشوار مي‌كند. با تشخيص اين اختلال در مراحل اوليه، بهبودي راحت‌تر صورت گرفته و از بروز اتفاقات ناگواري مانند آسيب به خود و خودكشي جلوگيري مي‌شود. مطالعات گذشته نشان داده‌اند كه سيگنال‌هاي مغزي در تشخيص افسردگي موفق عمل مي‌كنند. اكثر مطالعات پيشين از تعداد زيادي الكترود استفاده كرده‌، اعتبارسنجي خارجي انجام نداده‌اند و براي رسيدن به صحت بالا از روش‌هاي يادگيري عميق استفاده كرده‌اند. اين روش‌ها بار محاسباتي بالايي داشته و به پردازنده‌هاي قوي دارند. همچنين مانند يك جعبه‌سياه عمل مي‌كنند؛ به اين معنا كه امكان تفسير مكانيزمي ندارند. كاهش بار محاسباتي مدل‌هاي تشخيصي براساس روش‌هاي هوش مصنوعي و همچنين قابل‌تفسير كردن آن‌ها، به كاربردي شدن اين مطالعات در فعاليت‌هاي باليني و پذيرش آن‌ها توسط جامعه‌ي پزشكي كمك مي‌كند. در اين مطالعه تشخيص افسردگي به‌كمك 8 الكترود و با روش‌هاي يادگيري ماشين براي داده‌هاي ثبت‌شده در حالت استراحت با چشمان بسته در دو مجموعه‌داده‌ي MODMA و مجموعه‌داده‌ي محلي IUTDD انجام شده است. مجموعه‌داده‌ي IUTDD در آزمايشگاه مهندسي پزشكي دانشگاه صنعتي اصفهان جمع‌آوري شده و روش ثبت داده مشابه مجموعه‌ي MODMA بوده است. روش‌هاي اعتبارسنجي مورداستفاده در مطالعات گذشته به دو دسته‌ي مبتني بر بخش و مبتني بر فرد قابل‌تقسيم است، در اين پژوهش اين روش‌ها با يكديگر مقايسه شده‌اند. صحت تشخيص افسردگي در مجموعه‌داده‌ها‌ي MODMA و IUTDD با طبقه‌بندي‌كننده‌ي LDA، در روش مبتني بر بخش به‌ترتيب برابر %80/92 و %55/94 و در روش مبتني بر فرد برابر %00/95 و %36/91 به دست آمده است. با افزودن آستانه‌ي راي‌گيري در هر دو روش، صحت ارزيابي خارجي به‌مقدار %45/95 افزايش مي‌يابد. همچنين به‌كمك تحليل ديناميكي نتايج ارزيابي خارجي، صحت طبقه‌بندي با روش مبتني بر بخش به 00%/95 و در روش مبتني بر فرد به %55/94 مي‌رسد. بنابراين انتخاب تركيب مناسبي از ويژگي‌ها در ورودي مدل‌هاي يادگيري ماشين و استفاده از روش‌هاي پس‌پردازش مناسب مي‌تواند صحت طبقه‌بندي را تا حد مطلوبي افزايش دهد، درحالي‌كه تنها از 8 كانال استفاده شده و ثبت سيگنال در حالت استراحت صورت گرفته است. همچنين به نظر مي‌رسد نتايج به‌دست‌آمده در مطالعاتي كه از يك مجموعه‌داده براي آموزش و ارزيابي مدل استفاده كرده‌اند، با روش مبتني بر فرد قابل‌اعتمادتر است. تشخيص شدت افسردگي در انتخاب درمان مناسب و ارزيابي اثرات درمان كاربرد دارد و در مطالعات قبلي كمتر موردتوجه قرار گرفته است. در اين پژوهش تشخيص شدت افسردگي با دو روش طبقه‌بندي چندكلاسه و رگرسيون نمره‌‌ي افسردگي براساس دو پرسشنامه‌ي معتبر روان‌شناسي صورت گرفته است. سطح افسردگي بااستفاده از طبقه‌بندي‌كننده‌ي چندكلاسه‌ي SVM در مجموعه‌داده‌هاي MODMA و IUTDD، به‌ترتيب با صحت %18/92 و%05/95 پيش‌بيني شده و نسبت به مطالعات قبلي افزايش قابل‌توجهي داشته است. همچنين با روش‌هاي رگرسيون KNN و RF، نمره‌ي افسردگي براساس دو پرسشنامه‌ي PHQ-9 و BDI-II با ميزان RMSE برابر 14/0±08/3 و 19/0±00/5 تخمين زده شده و درمقايسه با مطالعات مشابه گذشته بهتر عمل كرده است. استفاده از روش رگرسيون درون‌كلاسي خطاي تخمين را به‌طور قابل‌توجهي كاهش مي‌دهد. درپايان نيز برخي از تفاوت‌هاي سيگنال‌هاي مغزي در گروه سالم و بيمار موردبررسي قرار گرفته است. مقايسه‌ي درخت پوشاي كمينه‌ي ميانگين گراف ماتريس همبستگي و انسجام در دو گروه سالم و بيمار، تفاوت‌هاي مشابهي را در هر دو مجموعه‌داده نشان مي‌دهد. بررسي توان باندهاي فركانسي نيز بيانگر آن است كه توان باندهاي آلفا و بتا در گروه بيمار نسبت ‌به گروه سالم در اكثر مواقع بيشتر است. همچنين انسجام فركانسي دوبه‌دوي الكترودها در افراد گروه بيمار و سالم اغلب به صورت معني‌داري متفاوت است.

233353

بيوالكتريك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان