30227

بكارگيري ويژگي‌هاي ارتباطات مغزي در دسته‌بندي شخصيت اسكيزوتايپي با استفاده الگوريتم‌هاي يادگيري ماشين

دكتري تخصصي (PhD)

مهندسي برق-الكترونيك

1397

1402/09/13

دكتر ستار ميرزاكوچكي

دكتر محمدرضا دليري - دكتر سعيد صانعي

مهندسي برق

اسكيزوتايپي، به‌عنوان يك فنوتيپ بالقوه براي اسكيزوفرني، يك ويژگي شخصيتي است كه در آن افراد روان‌پريشي ندارند، اما گاهي اوقات نشانه‌هاي روان‌پريش-مانند را از خود نشان مي‌دهند. علي‌رغم حجم گسترده‌اي از تحقيقات، روش¬هاي ارائه شده در ادبيات فاقد الگوريتمي كارآمد براي تضمين صحت تشخيص اسكيزوتايپي است. توسعه ابزار غيرتهاجمي الكتروانسفالوگرافي (EEG) و استفاده از الگوريتم‌ها‌ي پردازش سيگنال و يادگيري ماشين راه را براي بررسي عميق‌تر عملكرد مغز و كمينه كردن خطاهاي انساني بازكرده‌است. در اين رساله ما چهار رويكرد مجزا را مورد بررسي قرار داده‌ايم. سه رويكرد اول به ‌بررسي دادگان القاي استرس خانوادگي مي‌پردازد. در رويكرد اول به مقايسه‌ي زيرمولفه‌هاي P300، به نام‌هاي P3a و P3b، در اين آزمون بين جفت كلمات هدف پرداخته‌ شده‌است. در اين رويكرد از روشي خودكار مبتني بر فاكتورسازي تنسور براي استخراج اين زيرمولفه ها استفاده كرده‌ايم. در رويكرد دوم يك معيار ارتباط موثر مغزي مبتني بر خودبازگشتي چند متغيره با استفاده از روش تابع انتقال مستقيم تخمين زده شده‌است و در رويكرد سوم به بررسي معيارهاي غيرخطي در اين طيف شخصيت پرداخته‌ايم. در نهايت به‌عنوان رويكرد چهارم و با توجه به تمركز پروژه‌ بر ارتباطات مغزي، معيارهاي گراف را در دادگان آزمون گانزفلد مورد بررسي قرار داده‌ايم. نتايج ما در دادگان القاي استرس خانوادگي در رويكرد ارتباطات مغزي نشان مي‌دهد كه در گروه اسكيزوتايپي بالا ارتباط بين نواحي پيش‌پيشاني و جداري در باند فركانسي بتا كاهش يافته‌است. از سوي ديگر، كاهش ارتباط پيشاني در باند آلفا در اين گروه نشان از يك الگوي ارتباط پراكنده و هم‌گامي پايين بين مناطق مغز است. بهترين نتايج يادگيري ماشين در اين دادگان مربوط به استفاده از معيار غيرخطي آنتروپي پراكندگي نوسانات چند مقياسي است كه تنها با استفاده از يك ويژگي در ناحيه‌ي پس‌سري و طبقه‌بند RUSBoost به صحت 96.55٪ دست يافته‌است. از طرفي، نتايج آناليز گراف در دادگان گانزفلد نشان‌داده‌است كه گروه اسكيزوتايپي پايين داراي ضريب خوشه‌بندي و قدرت بالاتري در نواحي گيجگاهي و پيشاني-گيجگاهي و همچنين پيشاني مياني نسبت به گروه‌ اسكيزوتايپي بالا هستند. نتايج استفاده از الگوريتم RUSBoost بهترين عملكرد طبقه‌بندي را با صحت 95.34٪ در شرايط اضطراب القايي گانزفلد به‌دست آورده‌است. مطالعه حاضر اولين مطالعه است كه بررسي جامعي از عملكرد مغز و كاربرد يادگيري ماشين در تشخيص اسكيزوتايپي پرداخته‌است. مطالعه ما ممكن است بينش جديدي در مورد تشخيص دقيق‌تر اولين قسمت روان‌پريشي بر اساس اين معيارها از جمله شبكه‌ ارتباطات مغزي ارائه دهد.

1402/09/28

Brain connectivity of schizotypy using EEG: A machine learning approach

12/3/2024 12:00:00 AM

Schizotypy, a potential phenotype for schizophrenia, is a personality trait that depicts psychosis-like signs in the normal range of psychosis continuum. Despite significant research efforts, the literature lacks an efficient algorithm to guarantee the accuracy of schizotypy diagnosis. The development of non-invasive Electroencephalography (EEG) tools, along with the utilization of signal processing and machine learning algorithms, has paved the way for better study of brain functions and the reduction of human errors. The first three approaches involved the analysis of datasets that employed a novel auditory oddball task to assess perceived family stress. In the first approach, we examined the differences in event-related potential parameters, specifically the amplitude and latency of P300 subcomponents (P3a and P3b), between pairs of target words. In the second approach, we estimated a multivariate autoregressive-based connectivity measure from EEG signals using the directed transfer functions method after the settlement of event-related potentials. The third approach involved the application of multiscale fluctuation dispersion entropy (MFDE) nonlinear measure to distinguish individuals with high schizotypy (HS) from those with low schizotypy (LS). As the fourth approach, we analyzed the brain network using graph theory parameters, including clustering coefficient (CC), strength, and global efficiency, on the Ganzfeld dataset. Our results demonstrate that the effective brain connectivity in prefrontal/parietal and prefrontal/frontal brain regions considerably changes according to schizotypal status in the first dataset. The best machine learning result in this dataset was achieved using MFDE, which achieved 96.55% accuracy with only one feature and the RUSBoost classifier. Additionally, we found that the LS groups had higher CC and strength compared to the HS groups, particularly in bilateral temporal and frontotemporal brain regions in the Ganzfeld dataset. The RUSBoost algorithm demonstrated the best classification performance, achieving an accuracy of 95.34% during an anxiety-induction Ganzfeld condition. This study is the first comprehensive investigation of brain function and the application of signal processing and machine learning in individuals with schizotypy. We provide evidence that these approaches could serve as suitable biomarkers for the detection and monitoring of schizotypy. By measuring these brain responses, including brain connectivity, we have achieved the goal of improving the accuracy in the detection of early episodes of psychosis.

اسكيزوتايپي , الكتروانسفالوگرافي , پتانسيل‌هاي وابسته به رخداد , ارتباطات مغزي , يادگيري ماشين

Schizotypy , Electroencephalography , Event-related potentials , Brain connectivity , Machine learning

ahmad zandbagleh

sattar mirzakuchaki