تشخیص بیماران اسکیزوفرنی با استفاده از شبکه‌های عصبی کانولوشنی از تصاویر ارتباطات موثر مغزی سیگنال‌های چندکاناله الکتروانسفالوگرام

زمینه و هدف: اسکیزوفرنی یک اختلال روانی است و به شدت بر ادراک و روابط فردی تاثیر می‌گذارد. در حال حاضر تشخیص این بیماری با استفاده از تست‌های شناختی توسط روانپزشک انجام می‌شود که به شدت به تجربه و دانش وی وابسته است. هدف از این مطالعه طراحی یک چارچوب کاملاً خودکار برای تشخیص اسکیزوفرنی از روی سیگنال الکتروانسفالوگرام با استفاده از ارتباطات موثر مغزی و روش‌های یادگیری عمیق است. روش بررسی: در این مطالعه تحلیلی که از فروردین تا مهر 1400 در تهران به طول انجامیده است، سیگنال‌های الکتروانسفالوگرام 19 کاناله از 14 بیمار مبتلا به اسکیزوفرنی و 14 فرد سالم ثبت و پیش‌پردازش شده است. سپس، معیار ارتباطات موثر با استفاده از روش آنتروپی انتقالی، از سیگنال‌های الکتروانسفالوگرام تخمین زده شده و یک ماتریس ارتباطات نامتقارن 19 ×19 ساخته شده و با یک نقشه رنگی به‌عنوان یک تصویر نشان داده می‌شود. سپس این تصاویر ارتباطات موثر به‌عنوان ورودی پنج شبکه‌ عصبی کانولوشنی الکس‌نت، رزنت50، شافل‌نت، اینسپشن و ایکسپشن برای تشخیص بیماران اسکیزوفرنی استفاده می‌شوند.یافته‌ها: نتایج مطالعه نشان داده است، بالاترین میانگین صحت و نمره f برای طبقه‌بندی دو کلاس اسکیزوفرنی و سالم با استفاده از تصاویر مذکور از مدل شبکه اینسپشن، با مقادیر به‌ترتیب برابر با 52/96% و 89/95% در ارزیابی مستقل از فرد و 51/98% و 51/98% در ارزیابی متقابل با 10 دسته به‌دست آمده است.نتیجه‌گیری: با اتکا به نتایج به‌دست آمده، مدل جدید ارایه شده می‌تواند کمک شایانی به روانپزشکان در تشخیص دقیق افراد اسکیزوفرنیا داشته باشد و احتمال خطا و بدنبال آن درمان نامناسب را کاهش دهد.

Detection of schizophrenia patients using convolutional neural networks from brain effective connectivity maps of electroencephalogram signals

Background: Schizophrenia is a mental disorder that severely affects the perception and relations of individuals. Nowadays, this disease is diagnosed by psychiatrists based on psychiatric tests, which is highly dependent on their experience and knowledge. This study aimed to design a fully automated framework for the diagnosis of schizophrenia from electroencephalogram signals using advanced deep learning algorithms.Methods: In this analytic study, which is done from April to October 2021 in Tehran, 19channel electroencephalogram signals from 14 schizophrenia patients and 14 healthy individuals were recorded and preprocessed. Then, the effective connectivity measure using the transfer entropy method is estimated from them and a 19 ×19 asymmetric connectivity matrix is constructed and represented by a color map as an image. Then, these effective connectivity images are used as inputs to the five pretrained neural networks of AlexNet, Resnet50, Shufflenet, Inception, and Xception. Finally, the parameters of these networks are finetuned to diagnose schizophrenia patients. All models are finetuned based on newly constructed images using the adaptive moment estimation optimizer algorithm and crossentropy as the loss function. 10fold crossvalidation and subjectindependent validation methods are used to evaluate the proposed method.Results: The results of the study showed that the highest average accuracy, precision, sensitivity and Fscore for classification of two classes of schizophrenia and healthy using the connectivity images and the Inception model achieved equal to 96.52%, 95.89%, 97.22% and 96.55%, respectively, in subjectindependent validation method and 98.51%, 98.51%, 98.51% and 98.51% for the 10fold crossvalidation method. Also, there was less effective connectivity between schizophrenic patients than healthy individuals and these patients generally have much less information flow.Conclusion: Based on our results, the proposed new model can effectively analyze brain function and be useful for psychiatrists to accurately diagnose schizophrenia patients and reduce the possible error and subsequently inappropriate treatment.