شماره ركورد كنفرانس :
5332
عنوان مقاله :
تعديل عصبي افسردگي از طريق نوروفيدبك: تشخيص الگوي امواج مغزي با استفاده از الگوريتم QCNN
عنوان به زبان ديگر :
Neuromodulation of Depression through Neurofeedback: Pattern Recognition of BrainWaves using QCNN Algorithm
پديدآورندگان :
عسگري محمدطاها مركزتحقيقات كوانتوم، دانشگاه آزاداسلامي واحدعلوم وتحقيقات، تهران , سليماني شهرام مركزتحقيقات كوانتوم، دانشگاه آزاداسلامي واحدعلوم وتحقيقات، تهران , مهاجراني حميدرضا مركزتحقيقات كوانتوم، دانشگاه آزاداسلامي واحدعلوم وتحقيقات، تهران , طهماسبي سعيد tahaasgari3030@gmail.com مركزتحقيقات كوانتوم، دانشگاه آزاداسلامي واحدعلوم وتحقيقات، تهران
كليدواژه :
تعديل عصبي , افسردگي , نوروفيدبك , تشخيص الگو , امواج مغزي , الگوريتم QCNN
عنوان كنفرانس :
اولين رويداد و همايش ملي علوم و فناوري هاي همگرا و فناوري هاي كوانتومي
چكيده فارسي :
تكنيكهاي تعديل عصبي، مانند نوروفيدبك، توجه قابل توجهي را در زمينه درمان افسردگي به خود جلب كردهاند. نوروفيدبك از تجزيه و تحليل بلادرنگ امواج مغزي استفاده مي كند تا ابزاري را براي افراد فراهم كند تا فعاليت عصبي خود را خود تنظيم كنند. يكي از رويكردهايي كه در تشخيص الگوي امواج مغزي اميدواركننده است، استفاده از الگوريتم شبكه عصبي كانولوشن كوانتومي (QCNN) است. هدف اين مقاله بررسي كاربرد الگوريتم QCNN در تشخيص الگوي امواج مغزي براي تعديل عصبي افسردگي است. اين مقاله مروري بر پايه هاي عصبي زيستي افسردگي و اصول نوروفيدبك ارائه مي دهد. اين الگوريتم به اصول الگوريتم QCNN از جمله معماري و مكانيسم كاري آن مي پردازد. علاوه بر اين، مطالعات اخيري كه از تشخيص الگوي مبتني بر QCNN در مداخلات نوروفيدبك براي افسردگي استفاده كردهاند، بحث ميشود. اين مقاله با بحث در مورد محدوديتها و جهتهاي آينده استفاده از الگوريتم QCNN در زمينه تعديل عصبي براي افسردگي به پايان ميرسد.
چكيده لاتين :
Neuromodulation techniques, such as neurofeedback, have gained considerable attention in the field of depression treatment. Neurofeedback utilizes real-time analysis of brain waves to provide individuals with a means to self-regulate their neural activity. One approach that has shown promise in pattern recognition of brain waves is the use of the Quantum Convolutional Neural Network (QCNN) algorithm. This paper aims to explore the application of the QCNN algorithm in pattern recognition of brain waves for neuromodulation of depression. The paper provides an overview of depression neurobiological underpinnings and the principles of neurofeedback. It delves into the fundamentals of QCNN algorithm, including its architecture and working mechanism. Moreover, the discusses recent studies that have employed QCNN-based pattern recognition in neurofeedback interventions for depression. The paper concludes with a discussion on the limitations and future directions of utilizing the QCNN algorithm in the field of neuromodulation for depression