طراحی و پیاده‌سازی یک سیستم تشخیص خودکار اختلال دوقطبی مبتنی بر سیگنال‌های مغزی

زمینه و هدف: تشخیص صحیح بیماری اختلال دوقطبی به مهارت و تجربه بالای روان‌پزشک نیاز دارد و در بسیاری موارد شباهت‌های موجود در علائم منجر به تشخیص نادرست و حادتر شدن بیماری می شود. هدف این پژوهش استفاده از سیگنال‌های مغزی در زمینه تشخیص موثر این بیماری است.مواد و روشها: مطالعه بر روی 12 فرد سالم و 12 فرد مبتلا به اختلال دوقطبی انجام شده است و سیگنال‌های الکتریکی مغز بر اساس استاندارد 20-10 و به صورت 16 کاناله ثبت شده است. با توجه به نتایج به‌دست‌آمده توسط سایر گروه‌های تحقیقاتی، این مطالعه بر روی سیگنال‌های الکتریکی کانال‌های f3، f4، p3، p4، t3، t4، o1 و o2 انجام شده است. دسته ویژگی‌های انرژی کل سیگنال و انرژی باندهای فرکانسی، فرکانس مرکزی، فرکانس ماکزیمم، ضرایب (ar یا autoregressive) و توصیف‌های جورث از سیگنال‌های دریافتی استخراج شده و بر اساس این ویژگی‌ها افراد سالم و بیمار از طریق شبکه‌های عصبی پس انتشار و شعاع‌ مبنا تفکیک شده‌اند.یافته‌ها: در بررسی دقیق ویژگی‌های استخراج شده می‌توان مشاهده نمود که ویژگی‌هایی چون فرکانس ماکزیمم، توان باند theta، تحرک و ضرایب ar مختلف می‌تواند مرجع مناسبی برای جداسازی گروه سالم از بیمار باشد. نتیجه‌گیری: در فرایند تشخیص خودکار، طبقه‌بندی‌کننده شعاع‌مبنا 87.3% و طبقه‌بندی‌کننده پس‌انتشار 94.7% قدرت تفکیک صحیح را دارا می‌باشند و براساس این نتایج می‌توانیم با صحت قابل قبولی افراد مبتلا به اختلال دوقطبی را از افراد سالم تشخیص دهیم.

Design and Implementation of an Automatic Bipolar Disorder Detection System Using Brain Signals

Abstract Aim and Background: Correct diagnostic of bipolar disorders by psychologists requires a high level of proficiency and experience.  Moreover, in many cases, similar symptoms may lead to misdiagnosis which can worsen the disease. The purpose of this research work is design of an automatic system for effective diagnosis of this disease using brain signals. Such a system can be used as an auxiliary system for the psychologists. Methods and Materials: This study is done on 12 subjects with bipolar disorders and 12 healthy subjects. Signals from sixteen EEG electrodes are recorded according to the standard 1020 system. Based on the other studies, we use signals from the channels located at F 3 , F 4 , P 3 , P 4 , T 3 , T 4 , O 1 and O 2 area. A set of features including the total signal power, frequency bands power, center frequency, maximum frequency, AR coefficients and Hjorth descriptors are extracted from the signals. The classification task (healthy/bipolar disorders) is then performed using the back propagation and Radial Basis Function (RBF) neural network classifiers. Findings: Our investigations show that among the adopted features, the maximum frequency, theta power, activity and AR coefficients are suitable references for separating the healthy subjects from the diseased ones. Also, the back propagation neural network outperforms the RBF one. Conclusions: In the proposed automatic detection process, the radial basis function neural network classifier leads to a correct diagnosis rate of more than 87%. The back propagation neural network classifier has a correct diagnosis rate of more than 94%.  These results confirm that the proposed system can be considered as an auxiliary tool for detecting the bipolar disorders.