فهرست نشریات علمی دسترسی آزاد ایران

مقاله پژوهشی 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.