طبقه‌بندی سیگنال‌های الکتروانسفالوگرام بیماران افسرده و افراد سالم با استفاده از کرنل گرافیِ انتشار مسیر

اختلال افسردگی یکی از شایع‌ترین و پرهزینه‌ترین اختلالات روانی در ایران و جهان است. در پژوهش‌های اخیر نشان داده شده است که استفاده از روش‌های یادگیری ماشین و اعمال آنها بر سیگنال‌های الکتروانسفالوگرام می‌تواند راه حلی برای افزایش دقت فرایندهای تشخیص و درمان افسردگی در کلینیک‌های روانشناسی باشد. در این مقاله روشی جدید بر مبنای کرنل‌های گرافی انتشار مسیر برای طبقه‌بندی سیگنال‌های الکتروانسفالوگرام بیماران دارای اختلال افسردگی و افراد سالم ارائه شده است. در روش پیشنهادی، ابتدا اتصالات مغزی کارکردی در باندهای مختلف فرکانسی استخراج شده و گراف‌های متناظر با هر نوع اتصال و هر باند فرکانسی ساخته می‌شوند. با استفاده از این گراف‌ها، کرنل‌های گرافی انتشار مسیر (به عنوان شباهت بین هر دو گراف) در سه نوع کاملا چرخشی (کرنل مسیر معمول) ، نیمه‌چرخشی و بدون چرخش تعریف و محاسبه شده و طبقه‌بندی با استفاده از طبقه‌بند ماشین بردار پشتیبان کرنل دار انجام می‌شود. روش پیشنهادی بر مجموعه سیگنال الکتروانسفالوگرام که از فعالیت مغز بیماران و افراد سالم با تعداد 88 نفر در کلینیک آتیه درخشان ذهن در حالت استراحت ثبت‌شده‌است، اعمال‌شده‌است. گراف‌های اتصالات مغزی از فعالیت سیگنال های مغزی افراد در حالت استراحت در 19 کانال استخراج‌شده‌است که در آن ارتباط بین فعالیت مغزی ثبت‎شده در الکترودها مدل‌سازی شده است. نتایج نشان می‌دهد که روش پیشنهادی توانسته‌است نسبت به روش طبقه‌بندی کلاسیک بهبودی در حدود 7 درصد ایجاد‌کند. همچنین کرنل گرافی نیمه‌چرخشی بهترین نتیجه را از نظر صحت، حساسیت و قطعیت ایجاد کرده‌است.