فائقه کاظمی - دانشجوی ارشد مهندسی پزشکی
علی شیخانی - استادیار

در دهه های اخیر، تشخیص و درمان اختلالات عصبی و روانی کودکان، به ویژه اختلال نقص توجه و بیش فعالی (ADHD)، به یکی از چالش های مهم در زمینه پزشکی و روان شناسی تبدیل شده است. یکی از ابزارهای اصلی برای مطالعه و تشخیص این اختلالات، الکتروانسفالوگرافی (EEG) است که با ثبت فعالیت الکتریکی مغز، اطلاعات ارزشمندی در مورد عملکرد مغزی ارائه می دهد. با پیشرفت های اخیر در حوزه های یادگیری عمیق و مدل سازی علی، امکان بهینه سازی روش های ثبت و تحلیل سیگنال های EEG فراهم شده است. مدل سازی علیت گرنجر به عنوان یکی از روش های قدرتمند برای شناسایی روابط علی بین نواحی مختلف مغز، و شبکه های عصبی عمیق به عنوان ابزارهای پیشرفته یادگیری ماشین، می توانند در کنار هم برای کاهش تعداد الکترودهای لازم و حفظ دقت تشخیص به کار گرفته شوند. در پژوهش حاضر، هدف کاهش تعداد الکترودهای ثبت EEG به منظور تشخیص عارضه مغزی کودکان مبتلا به پیش فعالی با استفاده از مدل سازی علیت گرنجر و شبکه عصبی عمیق است. روش های مرسوم ثبت EEG معمولا نیازمند استفاده از تعداد زیادی الکترود هستند که ممکن است ناراحتی برای کودکان ایجاد کرده و فرآیند تشخیص را پیچیده تر کند. در این مطالعه، ابتدا سیگنال های EEG با استفاده از روش علیت گرنجر تحلیل می شوند تا روابط علی بین نواحی مختلف مغز شناسایی شود. سپس با بهره گیری از شبکه های عصبی عمیق، مدل دقیقی برای پیش بینی و تشخیص عارضه مغزی با استفاده از تعداد کمتری از الکترودها توسعه داده می شود. نتایج نشان می دهد که می توان با کاهش تعداد الکترودها به دقتی قابل قبول در تشخیص ADHD دست یافت که می تواند کاربردهای بالینی و تحقیقاتی گسترده ای داشته باشد و راحتی بیشتری را برای کودکان فراهم آورد.

الکترودهای ثبت EEG ، عارضه مغزی، کودکان پیش فعال، مدل سازی علیت گرنجر ، شبکه عصبی عمیق