عنوان

تشخیص بیماری اسکیزوفرنی با استفاده از تحلیل الکتروانسفالوگرام در تکلیف سایمون تغییریافته

Number

۵۰۸۱پ

.Language of Text, Soundtrack etc

فارسی

Title Proper

تشخیص بیماری اسکیزوفرنی با استفاده از تحلیل الکتروانسفالوگرام در تکلیف سایمون تغییریافته

General Material Designation

[پایان نامه]

First Statement of Responsibility

متینه رحیمی

Name of Publisher, Distributor, etc.

صنعتی سهند

Date of Publication, Distribution, etc.

۱۴۰۲

Specific Material Designation and Extent of Item

۷۷ص.

Other Physical Details

مصور، جدول، نمودار

Accompanying Material

CD

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی پزشکی- بیوالکتریک

Date of degree

۱۴۰۲/۰۶/۰۱

Text of Note

اسکیزوفرنی یک بیماری روانی مزمن است که به¬عنوان یکی از¬10 بیماری تاثیرگذار ایجاد¬کننده بار جهانی بیماری¬ها شناخته شده¬است. این بیماری بر توانایی بیماران در تفکر¬، احساسات و رفتار آن¬ها تأثیر منفی می¬گذارد¬. ازاین‌رو توسعه یک سیستم تشخیصی قابل‌اعتماد و کم‌هزینه می¬تواند در درمان¬، کنترل و ارتقا کیفیت زندگی بیماران نقش مهمی ایفا نماید. از آنجایی¬که مطالعات اخیر بر وجود تغییرات پاتولوژیکی در نواحی محلی و همچنین قطع ارتباط بین و داخل نواحی مغزی تأکید داشته-اند، در ¬این مطالعه دو روش تشخیص اسکیزوفرنی بر پایه استخراج ویژگی¬های تک متغیره و دومتغیره سیگنال الکتروانسفالوگرام ارائه شده¬است. هدف کمی سازی تغییرات منطقه¬ای و همچنین شباهت بین فعالیت نواحی مغزی با استفاده از روش¬های نوین تجزیه سیگنال و مشخصه¬های آماری یا دینامیک برای بهبود طبقه¬بندی بیماران مبتلا به اسکیزوفرنی و افراد سالم ¬است. بدین منظور در روش اول از روش تجزیه فوریه تجربی برای استخراج توابع باند ذاتی فوریه استفاده شده و به¬کمک استخراج ویژگی¬های آماری و روش¬های ماشین بردار پشتیبان، K نزدیک¬ترین همسایگی و جنگل تصادفی دو گروه سالم و بیماران مبتلا به اسکیزوفرنی از هم تفکیک شده¬اند. در روش دوم از ویژگی دو متغیره جدیدی به نام تاب خوردگی دینامیکی فرکانسی و طبقه¬بندهای ماشین بردار پشتیبان، K نزدیک¬ترین همسایگی و رمزگذاری تنک استفاده شده¬است. همچنین توانایی و قدرت تفكیک¬پذیری این ویژگی¬ها در باندهای مختلف فرکانسی و نواحی مختلف مغزی مقایسه شده¬است. قابلیت روش¬های پیشنهادی با استفاده از سیگنال¬های الکتروانسفالوگرام 31 فرد سالم و 46 فرد بیمار درحین انجام تکلیف یادگیری-تقویتی سایمون اصلاح¬شده مورد ارزیابیقرارگرفته¬است. نتایج بدست آمده نشان داده¬اند که در روش پیشنهادی دوم بالاترین صحت 96/98% به¬دست آمده است. همچنین ویژگی¬های استخراجی از لوب آهیانه¬ای و پیشانی صحت بالاتری ارائه داده¬اند.

Text of Note

Schizophrenia is a chronic mental disorder that known as one of the effective 10 diseases causing the global disease burden. This disorder negatively affects patient’s ability to think, feel and behavie Therefore, the development of a reliable and clinical detection method with cost-effective procedure can play an important role in treatmeant, control, and enhancement of patient’s quality of life. Since recent studies have demonstrated phatological changes in local area as well as disconnection between and within brain areas in schizophreina, two new detection methods based on univariate and bivariate feature extraction of electroencephalogram signals have been proposed in this study. The aim is to quantify transient and local changes as well as similarity between electrical brain activites using new decomposition technique,statistical or dynamic features for improving the classification of patients with schizophrenia and healthy controls. For this purpose, in the first method, Empirical Fourier Decomposition method has been used for extracting Fourier intrinsic band functions. The discrimination between schizophrenia patient and healthy controls has been performed using statistical features and K-nearest neighbours (K-NN), support vector machine (SVM) and Random Forest classifiers In the second method, a new bivariate feature, namely dynamic frequency warpping, support vector machine, K-nearest neighbor and sparse coding classifiers have been employed. The ability of the proposed features in different frequency subbands and brain regions has also been compared. The performance of the proposed method has been evaluated using electroencephalogram signals of 31 healthy controls and 46 patients with schizophrenia during performing a modified Simon task. The obtained results have demonstrated that the second method has achieved the highest accuracy rate of 98.96%. Furthermore, the features extracted from parietal and frontal lobes have provided higher accuracy.

Variant Title

Schizophrenia detection using electroencephalogram analysis in a modified Simon task

تجزیه فوریه تجربی

تاب‌خوردگی دینامیکی فرکانسی

تکلیف یادگیری- تقویتی

Subject Term

تجزیه فوریه تجربی، تاب‌خوردگی دینامیکی فرکانسی، تکلیف یادگیری- تقویتی

Subject Term

Empirical Fourier Decomposition, dynamic frequency warpping Reinforcement learning task

رحیمی، متینه

Entry Element

قادریان

Part of Name Other than Entry Element

، پیوند

Relator Code

استاد راهنما

Entry Element

صنعتی سهند

Country

ایران

Agency

دانشگاه صنعتی سهند

Call Number

مهندسی پزشکی، ۱۰۱۰۴، ۱۴۰۲

p

TF

92029

a

Y