مطالعه ویژگی شباهتی الکتروانسفالوگرام در حین انجام تکلیف فلانکر برای تشخیص اختلال وسواس فکری و عملی
نام عام مواد
[پایاننامه]
عنوان اصلي به زبان ديگر
An Investigation of Electroencephalogram Similarity Feature during a Flanker Task for the Diagnosis of Obsessive- Compulsive Disorder
نام نخستين پديدآور
/فرزانه منظری
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی پزشکی
تاریخ نشرو بخش و غیره
، ۱۴۰۰
مشخصات ظاهری
نام خاص و کميت اثر
۱۱۴ص.
ساير جزييات
:
يادداشت کلی
متن يادداشت
زبان: فارسی
متن يادداشت
زبان چکیده: فارسی
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به مشخصات ظاهری اثر
متن يادداشت
مصور، جدول، نمودار
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی پزشکی- بیوالکتریک
زمان اعطا مدرک
۱۴۰۰/۱۲/۰۱
کسي که مدرک را اعطا کرده
صنعتی سهند
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
بیماری وسواس اجباری چهارمین اختلال روانی شایع است که میتواند منجر به مشکلاتی در عملکردهای مختلف شناختی مانند :توجه، حافظه، تفکر، پردازش شنیداری کلمات و شناخت بصری شود .از این رو، تشخیص قابل اعتماد و به هنگام آن به روانپزشکان در درمان و یا کنترل این بیماری کمک مینماید .تحقیقات اخیر نشان دادهاند که این بیماری میتواند در فعالیت نواحی خاصی از مغز، نحوه ارتباط لوبهای مغزی و یا پردازش خطا اثرگذار باشد .از این رو، کمیسازی ارتباطات جفت کانالهای بین نیمکرهای و درون نیمکرهای مغز در حین اجرای تکالیف یادگیری توجه زیادی را در تشخیص بیماری وسواس اجباری به خود معطوف نموده است .این مطالعه رویکردهای جدیدی را براساس نمایش تحلیلی سیگنالهای الکتروانسفالوگرام و ویژگیهای آماری و غیرخطی ارائه کرده است، تا شباهت مؤلفههای ذاتی مربوط به فعالیتهای مغزی را در نواحی مختلف کمیسازی نماید .بدین منظور، پوشهای فاز و دامنهی سیگنالهای تحلیلی الکتروانسفالوگرام استخراج و تجزیه و تحلیل شدهاند .در الگوریتم پیشنهادی اول، ویژگیهای آماری تفاضلی از اطلاعات دامنه و فاز توابع پایهای جفت کانالها استخراج شدهاند .سپس اطلاعات تفاضلی مستخرج با استفاده از ماشین بردار پشتیبان طبقهبندی شدهاند .در الگوریتم پیشنهادی دوم، استخراج ویژگیهای آماری پایه و مرتبه بالاتر از پوشهای دامنه و فاز توابع پایهی ذاتی به منظور محاسبهی تفاوت فعالیت الکتریکی جفت کانالهای بین نیمکرهای و درون نیمکرهای صورت گرفته است .همچنین، روش طبقهبندی کمترین مربعات غیر منفی تنک برای تمایز بین گروه سالم و بیماران مبتلا به اختلال وسواس اجباری استفاده شده است .در الگوریتم پیشنهادی سوم، میزان شباهت میان پوشهای دامنه و فاز توابع پایهای جفت کانالهای مغزی به کمک ویژگی تابخوردگی پویای هیلبرت کمیسازی شده است .ارزیابی این روش توسط طبقهبندهای شبکهی عصبی پیشروی آبشاری، شبکهی عصبی بازگشتی و K نزدیکترین همسایگی انجام شده است .قابلیت تفکیک روشهای پیشنهادی با دادههای الکتروانسفالوگرام ۱۹ فرد سالم و ۱۱ بیمار که تکالیف سادهی فلانکر را انجام دادهاند، مورد ارزیابی قرار گرفته است .نتایج به دست آمده، مؤثر بودن اطلاعات دامنه و ترکیب اطلاعات دامنه و فاز در تشخیص بیماری وسواس اجباری را به کمک روش پیشنهادی سوم با میانگین صحت ۹۸/۱۸ درصد نشان داده است .در مقایسه بین نواحی مختلف نیز ویژگیهای مستخرج بین نیمکرههای مغزی و آنهایی که از لوب پیشانی و شبکهی پیشانی-آهیانه استخراج شدهاند، کارایی بیشتری در تشخیص بیماری از خود نشان دادهاند .همچنین، این مطالعه اهمیت بیشتر استفاده از اطلاعات دامنه در تشخیص اختلال وسواس اجباری را در حین اجرای تکالیف فلانکر نشان داده است .
متن يادداشت
Obsessive-Compulsive Disorder (OCD) is the fourth most common mental disorder which can lead to cognitive impairments in attention, memory, thinking, auditory processing of words, and visual cognition. Therefore, a reliable and timely diagnosis can help psychiatrists in better treating or controlling this disease. Recent studies have demonstrated that this disease can affect the activity of certain areas of the brain, the connection of brain lobes, and the processing of error. Hence, the quantification of interdependence between certain cortical areas from inter-hemispheric or intra-hemispheric channel pairs performing learning tasks has gattered attention in OCD detection. This study has provided new efficient approaches based on the analytic representation of EEG signals, nonlinear and statistical features to quantify the similarity of intrinsic components of brain activity in different regions. For this purpose, phase spectra and amplitude envelopes of the analytic EEG signals have been extracted and analyzed. In the first algorithm, differential statistical features are extracted from the amplitude and phase information of Intrinsic Mode Functions (IMFs) of the channel pairs. Then, the extracted differential information has been analyzed using a Support Vector Machin (SVM) classifier. In the second algorithm, the extraction of basic and higher-order statistical features from the amplitude and phase envelopes of the IMFs has been performed to calculate the difference in the electrical activity of inter-hemispheric or intrahemispheric channel pairs. Furthermore, the Non-Negative Least Square sparse (NNLS) classification method has been used for discriminating between the healthy control group and OCD patients. In the third algorithm, the degree of similarity between the amplitude envelopes as well as the phase spectra of the intrinsic components of the pair of brain channels has been quantified by the Dynamic Hilbert Warping (DHW) feature. The evaluation of this method has been performed by Cascade Forward Neural Network (CFNN), Recurrent Neural Network (RNN), and K-Nearest Neighborhood (KNN) classifiers. The detection capability of the proposed methods has been studied in 19 healthy subjects and 11 patients, performing simple flanker tasks. The obtained results have demonstrated the effectiveness of the amplitude information and the combined amplitude and phase information in OCD detection using the third algorithm with a high average accuracy rate of 98.18 . In comparison between different regions, the inter-hemispheric features and those extracted from the frontal lobe and frontal-parietal networks have shown more efficiency in diagnosing OCD. This study has also highlighted more importance of amplitude information in OCD detection during flanker tasks.
خط فهرستنویسی و خط اصلی شناسه
ba
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
An Investigation of Electroencephalogram Similarity Feature during a Flanker Task for the Diagnosis of Obsessive- Compulsive Disorder