آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,558 |
| تعداد مقالات | 19,015 |
| تعداد مشاهده مقاله | 64,496,989 |
| تعداد دریافت فایل اصل مقاله | 23,593,439 |
رمزگشایی اسکیزوفرنی از طریق اتصالات مغز مبتنی بر EEG با شبکه‌های عصبی عمیق | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 10 آبان 1405 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.69320.5086 | ||
| نویسندگان | ||
| شیما اسدبیگی1؛ کریم عباسیان* 2؛ Saeed Meshghini1 | ||
| 1Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran | ||
| 2عضو هیات علمی/دانشگاه تبریز | ||
| چکیده | ||
| اسکیزوفرنی یک اختلال عصبی-روانی پیچیده است که با اختلال در اتصالات مغز قابل تشخص است و چالش‌های قابل توجهی برای تشخیص دقیق آن وجود دارند. رویکردهای متداول اغلب به استخراج دستی ویژگی‌ها یا تحلیل استاتیک سیگنال‌های مغزی متکی هستند که مقیاس‌پذیری و دقت تشخیص آنها را محدود می‌کند. در این کار، یک مدل شبکه عصبی گراف پویا (DGNN) برای تشخیص خودکار اسکیزوفرنی با استفاده از داده‌های الکتروانسفالوگرام (EEG) پیشنهاد شده است. DGNN از ویژگی‌های اتصال مبتنی بر گراف و تحلیل EEG چند باندی استفاده می‌کند که الگوهای پویای شبکه مغز را در حوزه‌های زمانی و فرکانسی ثبت می‌کند. نتایج تجربی نشان می‌دهد که DGNN به دقت طبقه‌بندی 99.12٪ دست می‌یابد که عملکرد آن به طور قابل توجهی نسبت به روش‌های موجود مانند رویکردهای مبتنی بر CNN با دقت 98.07٪ و مدل‌های کانکتوم چند دامنه‌ای با دقت 91.69٪ بهتر است. با وجود چالش‌های حجم محدود مجموعه داده‌ها و پیچیدگی محاسباتی، DGNN چارچوبی قوی برای افزایش دقت تشخیصی و درک مکانیسم‌های عصبی-زیستی زیربنایی اسکیزوفرنی ارائه می‌دهد. می‌توان بر گسترش مجموعه داده‌ها و پیاده‌سازی در زمان واقعی تمرکز کرد که قابلیت تفسیر را برای تسهیل پذیرش بالینی بهبود می‌بخشد. | ||
| کلیدواژه‌ها | ||
| EEG؛ شبکه های عصبی گراف پویا؛ اتصالات مغزی؛ آموزش عمیق؛ تشخیص خودکار اسکیزوفرنی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 4 |
||