تشخیص اسکیزوفرنی بر اساس سیگنال الکتروانسفالوگرام با استفاده از یادگیری عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی کامپیوتر، پردیس فنی و مهندسی، دانشگاه یزد، یزد، ایران

2 گروه مهندسی برق، دانشکده مهندسی، دانشگاه فسا، فسا، ایران

چکیده

اسکیزوفرنی یک ناهنجاری در مغز است که در آن افراد واقعیت را غیر طبیعی تفسیر می‌کنند. این اختلال روانی با علائم رفتاری مانند توهم و بی‌نظمی گفتار مشخص می‌شود. سیگنال الکتروانسفالوگرام (EEG) اختلالات مغزی را نشان می‌دهد و به‌طور گسترده برای مطالعه بیماری‌های مغزی استفاده می‌شود. هدف این مقاله تشخیص خودکار اسکیزوفرنی از روی سیگنال EEG است. روش متداول در پژوهش‌ها، استخراج دستی ویژگی‌ها از سیگنال EEG است. از آنجا که الگوریتم‌های یادگیری عمیق توانایی استخراج خودکار ویژگی‌های مهم و طبقه‌بندی آنها را دارند، در این پژوهش به‌منظور استخراج ویژگی‌های مفیدتر، سیگنال EEG به یک شبکه عصبی عمیق بازگشتی کانولوشنی یازده لایه اعمال شده است. سیگنال‌های EEG جمع‌آوری شده در انیستیتو ورشو از 14 فرد سالم و 14 بیمار اسکیزوفرنی، در اینجا مطالعه شده است. مقدار میانگین معیارهای ارزیابی درستی مدل شامل Accuracy، Sensitivity، Specificity و PPV برای مدل پیشنهادی به‌ترتیب برابر 98.79%، .98.73%، 98.86%و 99.06% به‌دست آمد که بهبود عملکرد مدل پیشنهادی برای طبقه‌بندی بیماران اسکیزوفرنی و افراد سالم را در مقایسه با مدل‌های قبلی تایید می‌کند. مدل ارائه شده می‌تواند به‌عنوان یک ابزار تشخیصی به پزشکان برای تشخیص مراحل اولیه اسکیزوفرنی کمک کند

کلیدواژه‌ها

عنوان مقاله [English]

Diagnosis of schizophrenia based on electroencephalogram signal using deep learning

نویسندگان [English]

  • Maryam Allahyari 1
  • Fatemeh Jamshidi 2
1 Department of Computer Engineering, Faculty of Technical and Engineering, Yazd University, Yazd, Iran
2 Assistant Professor, Department of Electrical Engineering, Faculty of Engineering, Fasa University, Fasa, Iran
چکیده [English]

Schizophrenia is a disorder of the brain in which people misinterpret reality. This mental disorder is characterized by behavioral symptoms such as hallucinations and speech disorders. Electroencephalogram (EEG) signal indicates brain disorders and is widely used to study brain diseases. The aim of this article is to automatically detect schizophrenia based on the EEG signal. A common method in research is the manual extraction of features from the EEG signal. Because deep learning algorithms have the ability to automatically extract important features and classify them, in this study, in order to extract more useful features, the EEG signal was applied to an eleven-layer convolutional deep recursive neural network. The EEG signals collected at the Warsaw Institute from 14 healthy individuals and 14 patients with schizophrenia are studied here. The mean values of the accuracy evaluation criteria of the model including Accuracy, Sensitivity, Specificity and PPV for the proposed model were 98.79%, 98.73%, 98.86% and 99.06%, respectively, which improved the performance of the proposed model for classifying schizophrenic patients and approves healthy people compared to previous models. The proposed model can be used as a diagnostic tool to help physicians diagnose the early stages of schizophrenia.

کلیدواژه‌ها [English]

  • Schizophrenia
  • Electroencephalogram
  • Deep neural networks
  • Deep learning

مراجع

[1]     Oh, J., Oh, B. L., Lee, K. U., Chae, J. H., & Yun, K. (2020). Identifying schizophrenia using structural MRI with a deep learning algorithm. Frontiers in psychiatry, 11, 16.
[2]     Oh, S. L., Vicnesh, J., Ciaccio, E. J., Yuvaraj, R., & Acharya, U. R. (2019). Deep convolutional neural network model for automated diagnosis of schizophrenia using EEG signals. Applied Sciences, 9(14), 2870.
[3]     Shalbaf, A., Bagherzadeh, S., & Maghsoudi, A. (2020). Transfer learning with deep convolutional neural network for automated detection of schizophrenia from EEG signals. Physical and Engineering Sciences in Medicine, 43(4), 1229-1239.
[4]     Siuly, S., Khare, S. K., Bajaj, V., Wang, H., & Zhang, Y. (2020). A computerized method for automatic detection of schizophrenia using EEG signals. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 28(11), 2390-2400.
[5]     Boostani, R., Sadatnezhad, K., & Sabeti, M. (2009). An efficient classifier to diagnose of schizophrenia based on the EEG signals. Expert Systems with Applications, 36(3), 6492-6499.
[6]     Srinivasagopalan, S., Barry, J., Gurupur, V., & Thankachan, S. (2019). A deep learning approach for diagnosing schizophrenic patients. Journal of Experimental & Theoretical Artificial Intelligence, 31(6), 803-816.
[7]     Jahmunah, V., Oh, S. L., Rajinikanth, V., Ciaccio, E. J., Cheong, K. H., Arunkumar, N., & Acharya, U. R. (2019). Automated detection of schizophrenia using nonlinear signal processing methods. Artificial intelligence in medicine, 100, 101698.
[8]     Yan, W., Calhoun, V., Song, M., Cui, Y., Yan, H., Liu, S., ... & Sui, J. (2019). Discriminating schizophrenia using recurrent neural network applied on time courses of multi-site FMRI data. EBioMedicine, 47, 543-552.
[9]     Prabhakar, S. K., Rajaguru, H., & Kim, S. H. (2020). Schizophrenia EEG signal classification based on swarm intelligence computing. Computational Intelligence and Neuroscience, 2020.
[10] Krishnan, P. T., Raj, A. N. J., Balasubramanian, P., & Chen, Y. (2020). Schizophrenia detection using MultivariateEmpirical Mode Decomposition and entropy measures from multichannel EEG signal. Biocybernetics and Biomedical Engineering, 40(3), 1124-1139.
[11] Aslan, Z., & Akın, M. (2020). Automatic detection of schizophrenia by applying deep learning over spectrogram images of EEG signals.
[12] Sharma, M., & Acharya, U. R. (2021). Automated detection of schizophrenia using optimal wavelet-based l 1 norm features extracted from single-channel EEG. Cognitive Neurodynamics, 15(4), 661-674.
[13] Akbari, H., Ghofrani, S., Zakalvand, P., & Sadiq, M. T. (2021). Schizophrenia recognition based on the phase space dynamic of EEG signals and graphical features. Biomedical Signal Processing and Control, 69, 102917.
[14] Ghonchi, H., Fateh, M., Abolghasemi, V., Ferdowsi, S., & Rezvani, M. (2020). Deep recurrent–convolutional neural network for classification of simultaneous EEG–fNIRS signals. IET Signal Processing, 14(3), 142-153.
[15] Hornero, R., Abásolo, D., Jimeno, N., Sánchez, C. I., Poza, J., & Aboy, M. (2006). Variability, regularity, and complexity of time series generated by schizophrenic patients and control subjects. IEEE Transactions on Biomedical Engineering, 53(2), 210-218.
[16] Acharya, U. R., Fujita, H., Lih, O. S., Adam, M., Tan, J. H., & Chua, C. K. (2017). Automated detection of coronary artery disease using different durations of ECG segments with convolutional neural network. Knowledge-Based Systems, 132, 62-71.
[17] Xu, S., Wang, Z., Sun, J., Zhang, Z., Wu, Z., Yang, T., ... & Cheng, C. (2020). Using a deep recurrent neural network with EEG signal to detect Parkinson’s disease. Annals of translational medicine, 8(14).
[18] Kim, J. W., Lee, Y. S., Han, D. H., Min, K. J., Lee, J., & Lee, K. (2015). Diagnostic utility of quantitative EEG in un-medicated schizophrenia. Neuroscience letters, 589, 126-131.
[19] Santos-Mayo, L., San-José-Revuelta, L. M., & Arribas, J. I. (2016). A computer-aided diagnosis system with EEG based on the P3b wave during an auditory odd-ball task in schizophrenia. IEEE transactions on biomedical engineering, 64(2), 395-407.
پژوهش های نظری و کاربردی هوش ماشینی
دوره 1، شماره 1
فروردین 1402
صفحه 34-45

فایل ها

هم رسانی

ارجاع به این مقاله

آمار