جستجو در مقالات منتشر شده


2 نتیجه برای الکتروانسفالوگرافی

محمود معتمدی، فاطمه یوردخانی، امیر شیرعلی، محمدرضا قینی،
دوره 69، شماره 8 - ( 8-1390 )
چکیده

800x600 Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4

زمینه و هدف: خواب و محرومیت از خواب نقش مهمی در آغاز حملات صرعی و اختلالات EEG و حملات صرعی ایدیوپاتیک و علامت‌دار دارد. هدف از مطالعه حاضر بررسی و مقایسه یافته‌های EEG اولیه با یافته‌های EEG حین خواب و بیداری به دنبال محروم نمودن بیمار از خواب، در بیماران مبتلا به حملات صرعی در خواب می‌باشد.

روش بررسی: در این مطالعه مقطعی تحلیلی بیماران مبتلا به حملات صرعی در خواب مراجعه‌کننده به درمانگاه نورولوژی بیمارستان سینای تهران طی سال‌های 89-88 وارد مطالعه شده و از تمامی آن‌ها EEG بیداری انجام شد سپس از بیمار خواسته شد تا به مدت 24 ساعت محرومیت از خواب داشته باشند و مجددا برای بیماران، EEG در زمان بیداری و پس از آن EEG حین خواب انجام شد. یافته‌های اولین EEG روتین بیماران، با یافته‌های EEG بیداری و خواب به دنبال محرومیت از خواب مقایسه گردید.

یافته‌ها: در این مطالعه 33 بیمار بررسی شدند که 16 نفر مونث (5/48%) و 17 نفر (5/51%) مذکر بودند. میانگین سنی بیماران (69/10=SD) 83/26 سال بود. در مقایسه یافته‌های EEG بیداری پایه و بیداری پس از محرومیت از خواب، تفاوت آماری معنی‌داری به‌دست آمد (042/0P=) هم‌چنین بین EEG پایه و EEG حین خواب نیز تفاوت آماری معنی‌داری به‌دست آمد (041/0P=). در مقایسه یافته‌های EEG بیداری و خواب پس از محرومیت از خواب نیز تفاوت آماری معنی‌داری دیده شد (048/0P=).

نتیجه‌گیری: طبق نتایج مطالعه حاضر EEG بیداری و خواب پس از محرومیت از خواب، در افراد مبتلا به حملات صرعی در خواب ارزش تشخیصی بیشتری در مقایسه با EEG روتین دارند. به نظر می‌رسد ارزش تشخیصی EEG بیداری پس از محرومیت از خواب، از EEG خوابی که پس از محرومیت از خواب گرفته شده است، بیش‌تر باشد.


محسن سادات شهابی، احمد شالباف،
دوره 82، شماره 2 - ( 2-1403 )
چکیده

زمینه و هدف: اختلال افسردگی عمده یکی از شایعترین و ناتوان‌کننده‌ترین اختلالات روانی می‌باشد. باتوجه به کاهش کیفیت زندگی این بیماران و ماهیت پیش‌رونده این بیماری‌ها، تشخیص به هنگام و درمان موثر این بیماری روانی ضروری می‌باشد. در این پژوهش از سیگنال‌های مغزی افراد برای تشخیص دقیق ابتلا به اختلال افسردگی عمده با استفاده از روش‌های هوش مصنوعی استفاده می‌شود.
روش بررسی: در این مطالعه تحلیلی که از شهریور 1402 تا اسفند 1402 در دانشکده پزشکی دانشگاه علوم پزشکی شهیدبهشتی انجام شده است، وجود اختلال افسردگی عمده در 58 مراجعه‌کننده به کلینیک روانپزشکی با استفاده از مصاحبه حضوری با روانپزشک متخصص بررسی شد و 30 نفر با اختلال افسردگی عمده تشخیص داده شدند. سیگنال مغزی الکتروانسفالوگرام از این افراد ثبت شده و پس از پیش‌پردازش و تمیز شدن سیگنال به‌عنوان ورودی به مدل‌های هوش مصنوعی داده شد. مدل‌های هوش مصنوعی EEGNet، ShallowConvNet و DeepConvNet که مبتنی بر مدل‌های یادگیری عمیق کانولوشنی توسعه یافتند، برای دسته‌بندی سیگنال‌های مغزی افراد سالم و افسرده استفاده شدند. دقت دسته‌بندی این مدل‌ها روی داده تست جداگانه گزارش شده است.
یافته‌ها: دقت تفکیک سیگنال مغزی افراد سالم و افسرده توسط مدل‌های EEGNet، ShallowConvNet و DeepConvNet به‌ترتیب برابر 3/92%، 2/83% و 2/92% می‌باشد. همچنین مدل EEGNet با حساسیت 9/98% و ویژگی 1/79% بهترین عملکرد را در میان مدل‌های بررسی شده داشته است.
نتیجه‌گیری: دسته‌بندی افراد افسرده و سالم از روی سیگنال EEG با دقت بالا و به‌صورت تعمیم‌پذیر امکان‌پذیر است و مدل‌های هوش مصنوعی پیشنهاد شده می‌توانند در کلینیک‌های روانپزشکی به‌عنوان ابزارهای کمک تشخیصی مورد استفاده قرار گیرند.

 

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2025 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb