تشخیص اسکیزوفرنی بر اساس سیگنال الکتروانسفالوگرام با استفاده از یادگیری عمیق

اسکیزوفرنی یک ناهنجاری در مغز است که در آن افراد واقعیت را غیرطبیعی تفسیر می‌کنند. این اختلال روانی با علائم رفتاری مانند توهم و بی‌نظمی گفتار مشخص می‌شود. سیگنال الکتروانسفالوگرام (eeg) اختلالات مغزی را نشان می‌دهد و به‌طور گسترده برای مطالعه بیماری‌های مغزی استفاده می‌شود. هدف این مقاله تشخیص خودکار اسکیزوفرنی از روی سیگنال eeg است. روش متداول در پژوهش‌ها، استخراج دستی ویژگی‌ها از سیگنال eeg است. از آنجا که الگوریتم‌های یادگیری عمیق توانایی استخراج خودکار ویژگی‌های مهم و طبقه‌بندی آنها را دارند، در این پژوهش به‌منظور استخراج ویژگی‌های مفیدتر، سیگنال eeg به یک شبکه عصبی عمیق بازگشتی کانولوشنی یازده لایه اعمال شده است. سیگنال‌های eeg جمع‌آوری شده در انیستیتو ورشو از 14 فرد سالم و 14 بیمار اسکیزوفرنی، در اینجا مطالعه شده است. مقدار میانگین معیارهای ارزیابی درستی مدل شامل accuracy، sensitivity، specificity و ppv برای مدل پیشنهادی به‌ترتیب برابر 98.79%، .98.73%، 98.86%و 99.06% به‌دست آمد که بهبود عملکرد مدل پیشنهادی برای طبقه‌بندی بیماران اسکیزوفرنی و افراد سالم را در مقایسه با مدل‌های قبلی تایید می‌کند. مدل ارائه شده می‌تواند به‌عنوان یک ابزار تشخیصی به پزشکان برای تشخیص مراحل اولیه اسکیزوفرنی کمک کند

diagnosis of schizophrenia based on electroencephalogram signal using deep learning

schizophrenia is a disorder of the brain in which people misinterpret reality. this mental disorder is characterized by behavioral symptoms such as hallucinations and speech disorders. electroencephalogram (eeg) signal indicates brain disorders and is widely used to study brain diseases. the aim of this article is to automatically detect schizophrenia based on the eeg signal. a common method in research is the manual extraction of features from the eeg signal. because deep learning algorithms have the ability to automatically extract important features and classify them, in this study, in order to extract more useful features, the eeg signal was applied to an eleven-layer convolutional deep recursive neural network. the eeg signals collected at the warsaw institute from 14 healthy individuals and 14 patients with schizophrenia are studied here. the mean values of the accuracy evaluation criteria of the model including accuracy, sensitivity, specificity and ppv for the proposed model were 98.79%, 98.73%, 98.86% and 99.06%, respectively, which improved the performance of the proposed model for classifying schizophrenic patients and approves healthy people compared to previous models. the proposed model can be used as a diagnostic tool to help physicians diagnose the early stages of schizophrenia.