• شماره ركورد
    34310
  • پديد آورنده

    معصومه عرب كياسري

  • عنوان
    تشخيص و ارزيابي بيماري اسكيزوتايپي با استفاده از سيگنالهاي الكتروانسفالوگرام
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسي پزشكي-بيوالكتريك
  • سال تحصيل
    1401
  • تاريخ دفاع
    1404/06/17
  • استاد راهنما
    دكتر محمدرضا دليري
  • استاد مشاور
    استاد مشاور نداشتم
  • دانشكده
    مهندسي برق
  • چكيده
    در سال‌هاي اخير، تحليل سيگنال‌هاي مغزي الكتروانسفالوگرام به‌عنوان ابزاري نوين در شناسايي اختلالات روان‌شناختي نظير اسكيزوتايپي، توجه بسياري از پژوهشگران حوزه علوم اعصاب و يادگيري ماشين را به خود جلب كرده است. پژوهش حاضر با هدف طراحي، توسعه و ارزيابي معماري‌هاي سبك و كارآمد يادگيري عميق براي طبقه‌بندي افراد داراي ويژگي‌هاي اسكيزوتايپي بر اساس داده‌هاي EEG انجام شده است. در اين راستا، سه معماري عصبي شامل ShallowConvNet، EEGNet و مدل پيشنهادي LightConvNet بر روي مجموعه داده واقعي شامل آزمودني‌هاي دو گروه (اسكيزوتايپي بالا شامل 19نفر و اسكيزوتايپي پايين شامل 10 نفر) مورد آزمون قرار گرفتند. مراحل تحقيق شامل پيش‌پردازش دقيق داده‌ها، تنظيم معماري‌ها، آموزش مدل‌ها و تحليل عملكرد بر اساس معيارهايي چون دقت، F1-score، صحت و فراخواني طراحي و اجرا شد. نتايج به‌دست‌آمده حاكي از آن است كه شبكه LightConvNet با صحت 99.78% و عملكرد پايدار در تمامي شاخص‌هاي ارزيابي، توانست بالاترين كارايي را در ميان مدل‌ها به ثبت برساند. همچنين شبكه ShallowConvNet با صحت 99.55% عملكرد بسيار قابل قبولي ارائه داد. معماري مرجع EEGNet نيز علي‌رغم سادگي نسبي، صحت 99.67% را كسب نمود و توانايي خود را در طبقه‌بندي سيگنال‌هاي EEG حفظ كرد. مقايسه ماتريس درهم‌ريختگي و روند تغيير دقت و تابع خطا در طول آموزش، نشان داد كه مدل پيشنهادي LightConvNet نه‌تنها در كاهش پيچيدگي محاسباتي، بلكه در تعميم‌پذيري داده هاي جديد و دقت نيز عملكردي برتر دارد. از نوآوري‌هاي اصلي اين پژوهش مي‌توان به طراحي مدل جديد LightConvNet با بهره‌گيري از ساختار بهينه‌سازي‌شده، ارزيابي جامع روي داده‌هاي واقعي چندآزمودني، و مقايسه دقيق شبكه‌ها از منظر كارايي محاسباتي و توانايي تعميم اشاره كرد. نتايج اين پژوهش مي‌تواند به توسعه ابزارهاي قابل حمل و كاربردي در حوزه روان‌پزشكي ديجيتال، به‌ويژه در تشخيص سريع و كم‌هزينه ويژگي‌هاي اسكيزوتايپي، كمك شاياني كند. در نهايت، پيشنهادهايي براي ارتقاء آينده مدل‌ها از جمله گسترش به طبقه‌بندي چندكلاسه و اعتبارسنجي باليني ارائه شده است. واژه هاي كليدي: يادگيري عميق، الكتروانسفالوگرافي، اسكيزوتايپي، شبكه عصبي، روان‌پزشكي ديجيتال.
  • تاريخ ورود اطلاعات
    1404/10/06
  • عنوان به انگليسي
    Diagnosis an‎d eva‎luation of schizotypal disease using electroencephalogram signals
  • تاريخ بهره برداري
    9/8/2026 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    معصومه عرب كياسري

  • چكيده به لاتين
    Electroencephalography (EEG) has recently gained traction as a practical modality for identifying psychological conditions such as schizotypy. This study aims to design, develop, an‎d eva‎luate lightweight, efficient deep-learning architectures for classifying individuals with high versus low schizotypy from EEG data. We benchmark three neural models: ShallowConvNet, EEGNet an‎d a newly proposed LightConvNet on a real multi-subject dataset. The pipeline includes careful preprocessing, architecture tuning, model training, an‎d performance analysis using accuracy, F1-score, precision, an‎d recall (with cross-validation). Results show that LightConvNet achieves the best overall performance with 99.78% accuracy an‎d consistently strong scores across all eva‎luation metrics. EEGNet, despite its compact design, attains 99.67% accuracy, while ShallowConvNet delivers a competitive 99.55%. Confusion-matrix analyses an‎d learning curves indicate that LightConvNet not only reduces computational complexity but also provides superior generalization an‎d stability compared to the baselines. The main contributions are: (i) the design of the optimized LightConvNet architecture, (ii) a comprehensive eva‎luation on real EEG from multiple subjects, an‎d (iii) a controlled comparison of models in terms of computational efficiency an‎d generalization ability. The findings support the development of portable, low-cost tools for digital psychiatry, particularly for rapid screening of schizotypal traits. Future directions include extending to multi-class formulations an‎d conducting broader clinical validation. Keywords: Dee Learning, Electroencephalography, Schizotypy, Neural Networks, Digital Psychiatry.
  • كليدواژه هاي فارسي
    يادگيري عميق , يادگيري عميق , اسكيزوتايپي , شبكه عصبي , روان‌پزشكي ديجيتال
  • كليدواژه هاي لاتين
    Dee Learning , Electroencephalography , Schizotypy , Neural Networks , Digital Psychiatry
  • Author
    Masoume Arab Kiasari
  • SuperVisor
    Dr. Mohammadreza Daliri
    • لينک به اين مدرک
    https://dl.iust.ac.ir/dl/search/default.aspx?Term=34310&Field=0&DTC=6