عنوان

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

شماره

۵۰۸۱پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

عنوان اصلي

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

نام عام مواد

[پایان نامه]

نام نخستين پديدآور

متینه رحیمی

نام ناشر، پخش کننده و غيره

صنعتی سهند

تاریخ نشرو بخش و غیره

۱۴۰۲

نام خاص و کميت اثر

۷۷ص.

ساير جزييات

مصور، جدول، نمودار

مواد همراه اثر

CD

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی پزشکی- بیوالکتریک

زمان اعطا مدرک

۱۴۰۲/۰۶/۰۱

متن يادداشت

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.

متن يادداشت

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.

عنوان گونه گون

Schizophrenia detection using electroencephalogram analysis in a modified Simon task

موضوع مستند نشده

تجزیه فوریه تجربی

موضوع مستند نشده

تاب‌خوردگی دینامیکی فرکانسی

موضوع مستند نشده

تکلیف یادگیری- تقویتی

اصطلاح موضوعی

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

اصطلاح موضوعی

Empirical Fourier Decomposition, dynamic frequency warpping Reinforcement learning task

مستند نام اشخاص تاييد نشده

رحیمی، متینه

عنصر شناسه اي

قادریان

ساير عناصر نام

، پیوند

کد نقش

استاد راهنما

عنصر شناسه اي

صنعتی سهند

کشور

ایران

سازمان

دانشگاه صنعتی سهند

شماره بازیابی

مهندسی پزشکی، ۱۰۱۰۴، ۱۴۰۲

فرمت انتشار

p

نوع ماده

TF

کد کاربرگه

92029

سطح دسترسي

a

تكميل شده

Y