ارزیابی اتصالات مغزی سیگنال الکتروآنسفالوگرام در باندهای فرکانسی به منظور تشخیص اختلال افسردگی ماژور

اختلال افسردگی ماژور یکی از شایع‌ترین اختلالات روانی است که شناسایی به‌موقع آن نقش مهمی در بهبود روند درمان بیماران دارد. در سال‌های اخیر استفاده از نشانگرهای فیزیولوژیکی مبتنی بر سیگنال‌های مغزی به‌ویژه الکتروآنسفالوگرام، به عنوان ابزاری غیرتهاجمی برای تشخیص این اختلال مورد توجه قرار گرفته است. پژوهش حاضر با هدف بررسی تغییرات اتصالات مغزی در بیماران مبتلا به افسردگی ماژور و مقایسه آن با افراد سالم طراحی و اجرا شد. بدین منظور داده‌های مربوط به سیگنال الکتروآنسفالوگرام 30 بیمار مبتلا به افسردگی ماژور و 15 فرد سالم در دسترس در پایگاه داده عمومی، تحلیل شد. ثبت سیگنال‌ها با 19 کانال مطابق با سیستم بین‌المللی 10–20 در دو وضعیت چشم باز و چشم بسته و با نرخ نمونه‌برداری 256 هرتز انجام شده است. پس از پیش‌پردازش داده‌ها و حذف آرتیفکت‌ها، پنج باند فرکانسی دلتا، تتا، آلفا، بتا و گاما استخراج شدند. برای ارزیابی الگوهای اتصالات مغزی، شاخص‌های همدوسی و آنتروپی متقابل محاسبه گردید. سپس از الگوریتم ماشین بردار پشتیبان برای طبقه‌بندی افراد سالم و بیماران استفاده شد و عملکرد مدل بر اساس معیارهای صحت و مساحت زیر منحنی مشخصه عملکرد گیرنده مورد ارزیابی قرار گرفت. نتایج نشان داد که باند بتا در وضعیت چشم بسته و باند گاما در وضعیت چشم باز توانایی بالایی در تفکیک دو گروه دارند، به‌طوری که صحت طبقه‌بندی به‌ترتیب 95/6 و 93/2 درصد به دست آمد. این یافته‌ها نشان می‌دهد که تحلیل اتصالات مغزی در باندهای فرکانسی می‌تواند ابزاری ارزشمند برای تشخیص زودهنگام افسردگی ماژور باشد و زمینه‌ساز توسعه سامانه‌های هوشمند تشخیصی در حوزه علوم اعصاب گردد.

evaluation of brain connections of electroencephalogram signals in frequency bands for the diagnosis of major depressive disorder

abstract major depressive disorder is one of the most common mental disorders, and its timely identification plays an important role in improving the treatment of patients. in recent years, the use of physiological markers based on brain signals, especially electroencephalogram, has been considered as a non-invasive tool for diagnosing this disorder. the present study was designed and implemented with the aim of investigating changes in brain connections in patients with major depression and comparing it with healthy individuals. for this purpose, data related to the electroencephalogram signal of 30 patients with major depression and 15 healthy individuals available in a public database were analyzed. signals were recorded with 19 channels according to the international system 10–20 in two eye-opening and eye-closed conditions and with a sampling rate of 256 hz. after data preprocessing and artifact removal, five frequency bands of delta, theta, alpha, beta, and gamma were extracted. to evaluate brain connection patterns, coherence indices and mutual entropy were calculated. then, the support vector machine algorithm was used to classify healthy individuals and patients, and the model performance was evaluated based on the accuracy criteria and the area under the receiver operating characteristic curve. the results showed that the beta band in the eyes-closed state and the gamma band in the eyes-open state have a high ability to separate the two groups, so that the classification accuracy was 95.6 and 93.2 percent, respectively. these findings indicate that the analysis of brain connections in frequency bands can be a valuable tool for the early diagnosis of major depression and pave the way for the development of intelligent diagnostic systems in the field of neuroscience.