مریم اله یاری - دانشکده مهندسی کامپیوتر، پردیس فنی و مهندسی، دانشگاه یزد، یزد، ایران
ولی درهمی - دانشکده مهندسی کامپیوتر، پردیس فنی و مهندسی، دانشگاه یزد، یزد، ایران
فاطمه جمشیدی - گروه مهندسی برق، دانشکده مهندسی، دانشگاه فسا، فسا، ایران

اسکیزوفرنی یک ناهنجاری در مغز است که در آن افراد واقعی را غیر طبیعی تفسیر می کنند. این اختلال روانی با علائم رفتاری مانند توهم و بی نظمی گفتار مشخص می شود. سیگنال الکتروانسفالوگرام EEG اختلالات مغزی را نشان می دهد و به طور گسترده برای مطالعه بیماری های مغزی استفاده می شود. هدف این مقاله تشکخیص خودکار اسکیزوفرنی ار روی سکیگنال EEG است. رو متداول در پژوهش ها، استخراج دستی ویژگی ها ار سیگنال EEG است. ازآنجا که الگوریتم های یادگیری عمیق توانایی استخراج خودکار و ویژگی های مهم و طبقه بندی آنها را دارند، در این پژوهش به منظور استخراج ویژگی های مفیدتر، سیگنال EEG به یک شبکه عصبی عمیق بارگشتی کانولوشنی یازده لایه اعمال شده است. سیگنال های EEG جمع آوری شده در انیستیتو ورشو از۱۴ فرد سالم و ۱۴ بیمار اسکیزوفرنی، در اینجا مطالعه شده است . مقدار میانگین معیارهای ارزیابی درستی مدل شامل Accuracy، Sensitivity، Specificity و PPV برای مدل پیشنهادی به ترتیب برابر ۹۸/۷۹%، ۹۸/۷۳%، ۹۸/۸۶% و ۹۹/۰۶ % به دست آمد که بهبود عملکرد مدل پیشنهادی برای طبقه بندی بیماران اسکیزوفرنی و افراد سالم را در مقایسه با مدل های قبلی تایید میکند. مدل ارائه شده می تواند به عنوان یک ابزار تشخیصی به پزشکان برای تشخیص مراحل اولیه اسکیزوفرنی کمک کند.

اسکیزوفرنی، الکتروانسفالوگرام، شبکه های عصبی عمیق، یادگیری عمیق