other تشخیص بیماران اسکیزوفرنی با استفاده از شبکه‌های عصبی کانولوشنی از تصاویر ارتباطات موثر مغزی سیگنال‌های چندکاناله الکتروانسفالوگرام مقاله اصیل Original Article <div><span style="font-family:yekanYW;"><strong><em><span style="font-size:10.0pt;">زمینه و هدف:</span></em></strong><span style="font-size:10.0pt;"> اسکیزوفرنی یک اختلال روانی است و به شدت بر ادراک و روابط فردی تأثیر می‌گذارد. در حال حاضر تشخیص این بیماری با استفاده از تست‌های شناختی توسط روانپزشک انجام می‌شود که به شدت به تجربه و دانش وی وابسته است. هدف از این مطالعه طراحی یک چارچوب کاملاً خودکار برای تشخیص اسکیزوفرنی از روی سیگنال الکتروانسفالوگرام با استفاده از ارتباطات موثر مغزی و روش‌های یادگیری عمیق است.&nbsp;&nbsp; &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</span><br> <strong><em><span style="font-size:10.0pt;">روش بررسی:</span></em></strong> <span style="font-size:10.0pt;">در این مطالعه تحلیلی که از فروردین تا مهر 1400 در تهران به طول انجامیده است، سیگنال‌های الکتروانسفالوگرام 19 کاناله از 14 بیمار مبتلا به اسکیزوفرنی و 14 فرد سالم ثبت و پیش‌پردازش شده است. سپس، معیار ارتباطات موثر با استفاده از روش آنتروپی انتقالی، از سیگنال‌های الکتروانسفالوگرام تخمین زده شده و یک ماتریس ارتباطات نامتقارن 19&times;19 ساخته شده و با یک نقشه رنگی به‌عنوان یک تصویر نشان داده می‌شود. سپس این تصاویر ارتباطات موثر به‌عنوان ورودی پنج شبکه‌ عصبی کانولوشنی الکس‌نت، رزنت-50، شافل‌نت، اینسپشن و ایکسپشن برای تشخیص بیماران اسکیزوفرنی استفاده می‌شوند.</span><br> <strong><em><span style="font-size:10.0pt;">یافته‌ها:</span></em></strong> <span style="font-size:10.0pt;">نتایج مطالعه نشان داده است، بالاترین میانگین صحت و نمره </span><span dir="LTR"><span style="font-size:8.0pt;">F</span></span><span style="font-size:10.0pt;"> برای طبقه‌بندی دو کلاس اسکیزوفرنی و سالم با استفاده از تصاویر مذکور از مدل شبکه اینسپشن، با مقادیر به‌ترتیب برابر با 52/96% و 89/95% در ارزیابی مستقل از فرد و 51/98% و 51/98% در ارزیابی متقابل با 10 دسته به‌دست آمده است.</span><br> <strong><em><span style="font-size:10.0pt;">نتیجه‌گیری:</span></em></strong> <span style="font-size:10.0pt;">با اتکا به نتایج به‌دست آمده، مدل جدید ارایه شده می‌تواند کمک شایانی به روانپزشکان در تشخیص دقیق افراد اسکیزوفرنیا داشته باشد و احتمال خطا و بدنبال آن درمان نامناسب را کاهش دهد.</span></span></div> <div><strong><em>Background:</em></strong> Schizophrenia is a mental disorder that severely affects the perception and relations of individuals. Nowadays, this disease is diagnosed by psychiatrists based on psychiatric tests, which is highly dependent on their experience and knowledge. This study aimed to design a fully automated framework for the diagnosis of schizophrenia from electroencephalogram signals using advanced deep learning algorithms.<br> <strong><em>Methods:</em></strong> In this analytic study, which is done from April to October 2021 in Tehran, 19-channel electroencephalogram signals from 14 schizophrenia patients and 14 healthy individuals were recorded and pre-processed. Then, the effective connectivity measure using the transfer entropy method is estimated from them and a 19&times;19 asymmetric connectivity matrix is constructed and represented by a color map as an image. Then, these effective connectivity images are used as inputs to the five pre-trained neural networks of AlexNet, Resnet-50, Shufflenet, Inception, and Xception. Finally, the parameters of these networks are fine-tuned to diagnose schizophrenia patients. All models are fine-tuned based on newly constructed images using the adaptive moment estimation optimizer algorithm and cross-entropy as the loss function. 10-fold cross-validation and subject-independent validation methods are used to evaluate the proposed method.</div> <table align="center" cellpadding="0" cellspacing="0" hspace="0" vspace="0"> <tbody> <tr> <td align="left"> <div><strong><em>Results:</em></strong> The results of the study showed that the highest average accuracy, precision, sensitivity and F-score for classification of two classes of schizophrenia and healthy using the connectivity images and the Inception model achieved equal to 96.52%, 95.89%, 97.22% and 96.55%, respectively, in subject-independent validation method and 98.51%, 98.51%, 98.51% and 98.51% for the 10-fold cross-validation method. Also, there was less effective connectivity between schizophrenic patients than healthy individuals and these patients generally have much less information flow.<br> <strong><em>Conclusion:</em></strong> Based on our results, the proposed new model can effectively analyze brain function and be useful for psychiatrists to accurately diagnose schizophrenia patients and reduce the possible error and subsequently inappropriate treatment.<span dir="RTL"></span><br> &nbsp;</div> </td> </tr> </tbody> </table> <div><div style="clear:both;"></div></div> ارتباطات مغزی, الکتروانسفالوگرام, شبکه‌ عصبی, اسکیزوفرنی. brain connectivity, electroencephalogram, neural network, schizophrenia. 754 763 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-470&slc_lang=other&sid=1 Sara Bagherzadeh سارا باقرزاده No Department of Biomedical Engineering, Faculty of Medical Sciences and Technologies, Sciences and Research Branch, Islamic Azad University, Tehran, Iran. گروه مهندسی پزشکی، دانشکده علوم و فناوری‌های پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. Arash Maghsoudi آرش مقصودی No Department of Biomedical Engineering, Faculty of Medical Sciences and Technologies, Sciences and Research Branch, Islamic Azad University, Tehran, Iran. گروه مهندسی پزشکی، دانشکده علوم و فناوری‌های پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. Ahmad Shalbaf احمد شالباف Shalbaf@sbmu.ac.ir Yes Department of Biomedical Engineering and Medical Physics, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran. گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.