30627

تشخيص خودكار بيماري افسردگي مبتني بر سيگنال مغزي الكتروانسفالوگرام با استفاده از روش يادگيري عميق

كارشناسي ارشد

مهندسي پزشكي- بيوالكتريك

1399

1402/9/27

حميد بهنام

مهندسي برق

چكيده تشخيص خودكار بيماري افسردگي از روي سيگنال مغزي الكتروانسفالوگرام يك روش كاربردي براي شناسايي بيماري هايي كه در مراحل ابتدايي و نخستين دوره رشد خود هستند مي¬باشد. در حال حاضر، تشخيص زودهنگام يك چالش مهم براي بسياري از اختلالات عصبي است. در سال¬هاي اخير به دليل عملكرد مناسب و دقيق، از روش¬هاي يادگيري عميق در تشخيص بيماري افسردگي استفاده مي¬شود و به طور دقيق كاربردهاي شبكه عصبي عميق و شبكه¬هاي عصبي كانوالوشن براي تشخيص افسردگي ارائه شده است. امروزه افسردگي بر تعداد زيادي از مردم جهان تاثير مي‌گذارد و به عنوان مشكل جهاني در نظر گرفته مي‌شود. افسردگي، اختلال خلقي است كه مي‌تواند با استفاده از سيگنال‌هاي مغزي الكتروانسفالوگرام تشخيص داده شود. ثبت EEG به طور گسترده‌اي در تشخيص و تحليل اختلالات عصبي مختلف از جمله افسردگي استفاده شده است. يك سيستم تشخيص خودكار افسردگي كمك بسيار زيادي در تسهيل تشخيص باليني و مداخله زودهنگام افسردگي مي‌كند زيرا كشف دستي افسردگي با تحليل سيگنال‌هاي مغزي مستلزم تجربه زياد، خسته‌كننده و وقت گير است. اين كار مي‌تواند در بخش‌هاي روان پزشكي بيمارستان به كار گرفته شود تا افسردگي با استفاده از سيگنال‌هاي EEG به درستي شناسايي شود و در نتيجه به روان پزشكان كمك كند. در اين تحقيق رويكردي مبتني بر MobileNet و LSTM براي طبقه بندي بيماري افسردگي با استفاده از سيگنال‌هاي EEG و صوت ارائه شد كه MobileNet وظيفه¬ي استخراج ويژگي¬هاي مكاني و LSTM وظيفه¬ي يادگيري ويژگي¬هاي زماني را بر عهده دارد. مدل پينشهادي در مقايسه با رويكردهاي مقايسه¬اي توانست بالاترين F1 را بدست بياورد، به دليل اين كه F1 تركيب دو معيار ديگر مي¬باشد، از بررسي Precision و Recall صرف نظر كرديم. رويكرد پيشنهادي توانست به F1 0.973 دست يابد. رويكرد 1D+2D CNN LSTM نيز بهترين نتيجه را در بين رويكردهاي مقايسه¬اي داشت و توانست به F1 0.932 دست يابد. رويكردهاي Self-attention + Multitask Learning و Temporal CNN نيز به ترتيب به F1 برابر 0.918 و 0.905 دست يافتند. بدترين نتيجه در رويكردهاي مقايسه¬اي را نيز رويكرد Decision Tree بدست آورد. اين رويكرد به F1 برابر با 0.805 رسيد. در روش پيشنهادي تلاش شده است تا علاوه بر بهبود عملكرد، مشكلات روش¬هاي ارائه شده پيشين مرتفع شود.

1402/12/22

Automatic Detection of Depression from the EEG Brain Signals Using a Deep Learning Method

12/17/2024 12:00:00 AM

Abstract: Automatic diagnosis of depression based on the electroencephalogram brain signal is a practical method to identify diseases that are in the initial stages of their development. Currently, early diagnosis is a major challenge for many neurological disorders. In recent years, deep learning methods are used in the diagnosis of depression due to their proper and accurate performance, and the applications of deep neural networks and convolutional neural networks for depression diagnosis have been presented. Today, depression affects a large number of people in the world and is considered as a global problem. Depression is a mood disorder that can be diagnosed using electroencephalogram brain signals. EEG recording has been widely used in the diagnosis and analysis of various neurological disorders, including depression. An automatic depression detection system will greatly help in facilitating the clinical diagnosis and early intervention of depression because the manual detection of depression by analyzing brain signals requires a lot of experience, is tedious and time-consuming. This work can be applied in hospital psychiatry departments to correctly identify depression using EEG signals and thus help psychiatrists. In this research, an approach based on MobileNet and LSTM was presented for classification. MobileNet is responsible for extracting spatial features and LSTM is responsible for learning temporal features. Compared to the comparative approaches, suggested model was able to obtain the highest F1, because F1 is a combination of two other criteria, we omitted the Precision and Recall tests. The proposed approach was able to achieve an F1 of 0.973. 1D+2D CNN LSTM approach also had the best result among comparative approaches and was able to achieve F1 0.932. Self-attention + Multitask Learning and Temporal CNN approaches also achieved F1 of 0.918 and 0.905, respectively. The worst result in the comparative approaches was also obtained by the Decision Tree approach. This approach resulted in an F1 of 0.805. In the proposed method, an effort has been made to solve the problems of the previously presented methods in addition to improving the performance.

تشخيص افسردگي , دسته¬بندي سيگنال EEG , يادگيري عميق , ، شبكه¬هاي عصبي كانوالوشن , يادگيري انتقال

Depression Diagnosis , EEG Signal Classification , Deep Learning , Convolutional Neural Networks , Transfer learning

Jafar Ahangari Nanehkaran

Dr. Hamid Behnam