Tehran University Medical Journal

other تشخیص اختلال افسردگی عمده با استفاده از روش‌های هوش مصنوعی مبتنی بر سیگنال الکتروانسفالوگرام مقاله اصیل Original Article 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.   <div>Background: Major Depressive Disorder (MDD) is one of the most prevalent and disabling mental disorders in the world. Due to the life quality decline caused by this disease and its growing nature, timely detection and treatment is of paramount importance. In the present study Electroencephalogram (EEG) signal utilized for the precise detection of MDD using Artificial Intelligence (AI) Methods. Methods: In this analytic study, which is done in Shahid Beheshti University of medical Sciences in 2023, fifty eight subjects were investigated using an experienced psychiatrist that 30 subjects diagnosed as MDD and 28 determined to be healthy. Nineteen channels EEG signals in resting state with eyes closed situation acquired for five minutes from all of the participants including 36 men and 22 women with the average age of 39.3 years. The EEG signals were preprocessed to remove contaminating signals from brain-originated signals. The EEGLAB package in MATLAB utilized to re-reference channels to the average reference, apply a band-pass filter between 1 and 40 Hz and to remove non-brain components of the signal using Independent Component Analysis (ICA). The cleaned data segmented to the three seconds windows with 50 percent overlapping. These segments were used as the input to the AI models. Deep Learning (DL) models utilized in the present study were EEGNet, ShallowConvNet and DeepConvNet which were developed based on the deep convolutional models for the classification of healthy and MDD brain signals. The main difference between these models laid in the number of specific convolutional layers and the model complexity.</div> <div> <table align="center" hspace="0" vspace="0"> <tbody> <tr> <td align="left" style="padding-top:0in; padding-right:12px; padding-bottom:0in; padding-left:12px" valign="top"> <div>Results: MDD and Healthy signals classification has been done using EEGNet, ShallowConvNet and DeepConvNet models and accuracy of 92.3%, 83.2% and 92.2% were achieved, respectively. Also EEGNet acquired the highest sensitivity of 98.9% and specificity of 79.1%. Conclusion: The detection of MDD patients using EEG signals with high accuracy and generalizability is possible and proposed AI models can be utilized in the clinical settings as assistant tools. </div> </td> </tr> </tbody> </table> </div> <div></div> هوش مصنوعی, یادگیری عمیق, الکتروانسفالوگرافی, اختلال افسردگی عمده. artificial intelligence, deep learning, electroencephalography, major depressive disorder. 125 133 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-784&slc_lang=other&sid=1 Mohsen Sadat Shahabi محسن سادات شهابی Yes Department of Physics and Biomedical Engineering, School of Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran. گروه فیزیک و مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهیدبهشتی، تهران، ایران. Ahmad Shalbaf احمد شالباف Shalbaf@sbmu.ac.ir No Department of Physics and Biomedical Engineering, School of Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran. گروه فیزیک و مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهیدبهشتی، تهران، ایران.