تشخیص افسردگی از طریق آنالیز سیگنالهای مغزی و هوش مصنوعی

افسردگی یک اختلال روانی با شیوع بالا به شمار میرود که تاثیرات عمیقی بر کیفیت زندگی افراد دارد و به همین دلیل تشخیص صحیح و سریع آن اهمیت ویژه ای دارد. در این پژوهش به تحلیل سیگنالهای الکتروانسفالوگرافی (EEG) به عنوان یک ابزار قدرتمند برای شناسایی نشانههای افسردگی پرداخته می شود. با توجه به پیچیدگی سیگنالهای EEG و نقش عوامل فردی نظیر سن و جنسیت در الگوهای مغزی، این مطالعه بر بهبود دقت تشخیص و تحلیل دادهها با استفاده از مدلهای یادگیری ماشین و یادگیری عمیق متمرکز است. این تحقیق با بهره گیری از داده های EEG جمع آوری شده از نمونه در دسترس (۵۸ شرکت کننده، ۳۰ بیمار و ۲۸ سالم)، رویکردهای نوینی برای شناسایی الگوهای تشخیصی افسردگی بر اساس مراحل پیش پردازش، فیلترگذاری ICP، تقسیم به اپوکهای ۳ ثانیه ای و مدلهای معماری الکترونیکی (EEGNET، DeepConvNet، ShallowConvNet) را در محیط پیاده سازی (Python، TensorFlow/Keras) ارائه میدهد. نتایج این پژوهش (بر اساس منحنی ROC) نشان میدهد که با استفاده از روشهای پیشرفته می توان دقت و حساسیت تشخیص را به طرز چشمگیری افزایش داد، این امر نه تنها به بهبود شناسایی بلکه به پیگیری درمان بیماران افسرده کمک خواهد کرد. با دقت ۹۲ درصد در نهایت، این مطالعه به بررسی چالشهای موجود در این حوزه و پیشنهاد راهکارهایی برای تحقیقات آینده نیز می پردازد.

Keywords:

افسردگی , الکتروانسفالوگرافی , الگوهای مغزی , یادگیری ماشین , محیط پیاده سازی