کاربرد مدل‌های یادگیری عمیق در تشخیص افسردگی با استفاده از تبدیل زمان-فرکانس سیگنال الکتروانسفالوگرام

مقدمه: افسردگی، یک بیماری روانی شایع در جهان می‌باشد و تشخیص دقیق و زودهنگام برای درمان به موقع ضروری می‌باشد. در این مطالعه کاربرد روش‌های هوش مصنوعی برای تشخیص دقیق و خودکار اختلال افسردگی عمده از روی سیگنال‌های مغزی بررسی شده است.روش‌ها: در این مطالعه، از 30 فرد مبتلا به افسردگی عمده و 28 فرد سالم به عنوان جمعیت شاهد استفاده شد و ارزیابی روانی آنها توسط روانپزشک متخصص و پرسشنامه‌ی استاندارد بک انجام گرفته است. سیگنال مغزی 19 کاناله الکتروانسفالوگرام از همه‌ی افراد در حالت استراحت و با چشمان بسته اخذ گردید. سیگنال مغزی افراد بعد از پیش پردازش با استفاده از تبدیل فوریه زمان کوتاه در بازه‌های متوالی به صورت یک ماتریس دوبعدی به عنوان ورودی شبکه‌های عصبی عمیق داده شدند. مدل‌ هوش مصنوعی deepeegnet، که مبتنی بر مدل‌ یادگیری عمیق کانولوشنی eegnet توسعه یافته است، برای دسته‌بندی سیگنال‌های مغزی افراد سالم و افسرده استفاده شد. از داده تست دیده نشده توسط مدل در مرحله‌ی آموزش، برای گزارش دقت نهایی مدل استفاده شده است.یافته‌ها: مدل deepeegnet که از تبدیل فوریه زمان کوتاه به عنوان ورودی استفاده می‌کند، می‌تواند افراد سالم و افسرده را با دقت 84/1 درصد، حساسیت 86 درصد و ویژگی 82/7 درصد از یکدیگر تفکیک نماید.نتیجه‌گیری: مدل یادگیری عمیق پیشنهاد شده در این مطالعه، می‌تواند سیگنال‌های مغزی بیماران افسرده را از افراد سالم با دقت بالا تفکیک نماید و برای کمک به پزشکان مورد استفاده قرار گیرد.

application of deep learning models in the detection depression using time-frequency transformation of electroencephalogram signals

background: major depressive disorder (mdd) is a prevalent mental disorder worldwide, and timely diagnosis is necessary for efficient treatment. in the present study, an electroencephalogram (eeg) signal was utilized to automatically and precisely detect mdd using deep learning models.methods: thirty mdd and twenty-eight healthy subjects participated, and their psychological evaluation was conducted by a specialist psychiatrist using the standard beck questionnaire. 19-channel eeg signals were acquired from all participants in a resting state with eyes closed. short-time fourier transform (stft) was applied to the sequential segments of the eeg signals and resulted two-dimensional matrix fed to the deep learning models. deepeegnet model was developed based on the eegnet model utilized for the mdd classification and healthy subjects. a holdout data was used to test the final model.findings: the deepeegnet model proposed in this study classified mdd and healthy participants with 84.1% accuracy, 86% sensitivity, and 82.7% specificity.conclusion: the deep learning model proposed in this study could accurately classify healthy subjects and mdd patients using eeg signals and can be utilized as a helpful tool by psychiatrists.