اینستاگرام تی پی بین
همایش ، رویداد ، ژورنال
حوزه های تحت پوشش رویداد
  • ارایه نرم افزار جامع تشخیص نوع و شدت اختلالات روانی از روی qeeg فرد، مبتنی بر هوش مصنوعی و الگوریتم تکاملی، همراه با مقایسه دقت،حساسیت و ویژگی تشخیصی آن با مدل های رایج مبتنی بر آمار کلاسیک مثل تابع تحلیل تشخیص آماری (da)

    نویسندگان :
    جزئیات بیشتر مقاله
    • تاریخ ارائه: 1396/02/01
    • تاریخ انتشار در تی پی بین: 1396/02/01
    • تعداد بازدید: 637
    • تعداد پرسش و پاسخ ها: 0
    • شماره تماس دبیرخانه رویداد: -

    سابقه و هدف: تشخیص نوع و شدت اختلالات روانی به دلیل ماهیت غیرعینی این اختلالات همواره با مشکلات و ناسازگاری هایی همراه بوده، در dsm-5 و نسخه های قبلی آن برای مشخص کردن اختلالات روانی از گروه سالم تنها معیارهای رفتاری تعیین شده که بنا به نظر متخصصان بالینی متفاوت، می تواند تشخیص های متفاوتی را نتیجه دهد. مشخص کردن بایومارک های اختلالات روان، یکی از اهداف پیش رو در مطالعات عصب روانشناسی و روانپزشکی می باشد. هدف این پژوهش ارائه یک نرم افزار برنامه نویسی شده توسط مولف، بر اساس هوش مصنوعی، برای تشخیص نوع و شدت اختلالات روان از روی نوار مغزی کمی (qeeg) بیماران -به عنوان یکی از بایومارکرهای اختلالات روانی- می باشد. برای راستی آزمایی و مقایسه نتایج نرم افزار با یک استاندارد طلایی نتایج حاصل از اعمال روش تشخیصی جدید بر روی چهار نوع اعتیاد به مواد اجرا و نتایج نرم افزار، با نتایج حاصل از تحلیل تشخیص آماری همان داده ها در spss مقایسه و گزارش شده است.

    روش: داده های نوار مغزی کمی حاصل از نرم افزار نوروگاید 4- که قادر به ارائه نوار مغزی کمی در سه مونتاژ مشخص ( 19 کاناله) می باشد- به عنوان مجموعه داده این پژوهش مورد استفاده قرار گرفته است. این مجموعه داده ها از طریق نقشه برداری مغزی از 45 بیمار معتاد به یکی از مواد (شیشه، ترامادول، هروئین/ تریاک) و 15 نفر سالم به عنوان منبع تحلیل آماری در spss توسط تابع تحلیل تشخیص و همزمان بعنوان گروه آموزش شبکه عصبی مصنوعی نرم افزار تشخیص به دست آمده است. برای آزمایش نرم افزار نیز 60 نفر مابقی به عنوان گروه اعتبار سنجی 6 هوش مصنوعی شامل 45 نفر معتاد و 15 نفر سالم مورد ثبت نوار مغزی کمی قرار گرفتند که پارامترهای حساسیت، ویژگی و تشخیص و محاسبه سطح زیر منحنی roc، ضریب کاپا، نسبت درست نمایی مثبت، نسبت درست نمایی منفی بصورت مقایسه ای با روش رایج تحلیل تشخیص آماری محاسبه شد.

    یافته ها: نتایج کمی تشخیصی حاصل از هر دو روش آماری کلاسیک و هوش مصنوعی نرم افزار تک به تک با پیشینه قبلی مطالعات پاتولوژیک اعتیاد مقایسه شد که نتایج حاصل از هر دو روش آماری و هوش مصنوعی با یافته های قبلی همسو بود. بعنوان رسالت اصلی این پژوهش نتایج حاصله از دو روش آماری، و هوش مصنوعی نرم افزار در مورد پارامترهای دقت، حساسیت، ویژگی، نسبت درست نمایی مثبت، نسبت درست نمایی منفی، ضریب کاپاو سطح زیر منحنی roc با هم نیز مقایسه شدند، نتایج حاصله نرم افزار به ترتیب 0.836، 0.884، 7.21، 0.19، 0.712و 0.890 بود. همزمان مقادیر همین پارامترها برای تحلیل تشخیص آماری به ترتیب 0.677، 0.66، 1.99، 0.49، 0.0363، 0.0739 بدست آمد. که بصورت معنی داری نتایج حاصل از نرم افزار، تشخیص بهتری ارایه کرده اند، معادلات تشخیص پارامترهای آماری معنی دار شده نیز بعنوان نمونه برای قسمت مرکزی مغز [c4-cz-c3] عبارتند از:

    d1=delta(0.532)+theta(0.508)+alpha(0.447)+beta(0.462) (ترامادول)

    d2=delta(0.620)+theta(0.693)+alpha(0.740)+beta(0.699) (هروئین و تریاک)

    d2=delta(0.573)+theta(0.511)+alpha(0.503)+beta(0.540) (شیشه)

    نتیجه: به این ترتیب نرم افزار تشخیص اختلالات روانی حاضر می تواند به عنوان یک روش مبتنی بر یک نشانگر زیستی به جای آزمون های روانی خوداظهاری با حساسیت و ویژگی بالا، جهت تشخیص دقیق نوع و شدت اختلالات روانی مورد استفاده قرار گیرد. اضافه می شود این نرم افزار تشخیصی علاوه بر تشخیص نوع اختلال روانی تنها از روی نوار مغزی کمی فرد، به صورت هوشمند شدت اختلال روانی را نیز -برای اولین بار در دنیا-فقط از روی نوار مغزی کمی و بدون نیاز به آزمون مداد-کاغذی و با درجه بندی مقیاس های عینی معتبر برای هر اختلال (مثلا در رنج نمره افسردگی بک برای افسردگی) برای پیگیری های بعدی پیامد بالینی مداخلات، مشخص می کند.

سوال خود را در مورد این مقاله مطرح نمایید :

با انتخاب دکمه ثبت پرسش، موافقت خود را با قوانین انتشار محتوا در وبسایت تی پی بین اعلام می کنم