تشخيص بيماران اسكيزوفرني با استفاده از شبكه هاي عصبي كانولوشني از تصاوير ارتباطات موثر مغزي سيگنال هاي چندكاناله الكتروانسفالوگرام

Detection of schizophrenia patients using convolutional neural networks from brain effective connectivity maps of electroencephalogram signals

اسكيزوفرني يك اختلال رواني است و به شدت بر ادراك و روابط فردي تاثير مي گذارد. در حال حاضر تشخيص اين بيماري با استفاده از تست هاي شناختي توسط روانپزشك انجام مي شود كه به شدت به تجربه و دانش وي وابسته است. هدف از اين مطالعه طراحي يك چارچوب كاملا خودكار براي تشخيص اسكيزوفرني از روي سيگنال الكتروانسفالوگرام با استفاده از ارتباطات موثر مغزي و روش هاي يادگيري عميق است. روش بررسي در اين مطالعه تحليلي كه از فروردين تا مهر 1400 در تهران به طول انجاميده است، سيگنال هاي الكتروانسفالوگرام 19 كاناله از 14 بيمار مبتلا به اسكيزوفرني و 14 فرد سالم ثبت و پيش پردازش شده است. سپس، معيار ارتباطات موثر با استفاده از روش آنتروپي انتقالي، از سيگنال هاي الكتروانسفالوگرام تخمين زده شده و يك ماتريس ارتباطات نامتقارن 19×19 ساخته شده و با يك نقشه رنگي به عنوان يك تصوير نشان داده مي شود. سپس اين تصاوير ارتباطات موثر به عنوان ورودي پنج شبكه عصبي كانولوشني الكس نت، رزنت-50، شافل نت، اينسپشن و ايكسپشن براي تشخيص بيماران اسكيزوفرني استفاده مي شوند. ﯾﺎﻓﺘﻪﻫﺎ: ﻧﺘﺎﯾﺞ ﻣﻄﺎﻟﻌﻪ ﻧﺸﺎن داده اﺳﺖ، ﺑﺎﻻﺗﺮﯾﻦ ﻣﯿﺎﻧﮕﯿﻦ ﺻﺤﺖ و ﻧﻤﺮه F ﺑﺮاي ﻃﺒﻘﻪﺑﻨﺪي دو ﮐﻼس اﺳﮑﯿﺰوﻓﺮﻧﯽ و ﺳــﺎﻟﻢ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺼﺎوﯾﺮ ﻣﺬﮐﻮر از ﻣﺪل ﺷﺒﮑﻪ اﯾﻨﺴﭙﺸﻦ، ﺑﺎ ﻣﻘﺎدﯾﺮ ﺑﻪﺗﺮﺗﯿﺐ ﺑﺮاﺑﺮ ﺑﺎ 96/52% و 95/89% در ارزﯾــﺎﺑﯽ ﻣﺴــﺘﻘﻞ از ﻓﺮد و 98/51% و 98/51% در ارزﯾﺎﺑﯽ ﻣﺘﻘﺎﺑﻞ ﺑﺎ 10 دﺳﺘﻪ ﺑﻪدﺳﺖ آﻣﺪه اﺳﺖ نتيجه گيري با اتكا به نتايج به دست آمده، مدل جديد ارايه شده مي تواند كمك شاياني به روانپزشكان در تشخيص دقيق افراد اسكيزوفرنيا داشته باشد و احتمال خطا و بدنبال آن درمان نامناسب را كاهش دهد.

Schizophrenia is a mental disorder that severely affects the perception and relations of individuals. Nowadays, this disease is diagnosed by psychiatrists based on psychiatric tests, which is highly dependent on their experience and knowledge. This study aimed to design a fully automated framework for the diagnosis of schizophrenia from electroencephalogram signals using advanced deep learning algorithms. Methods In this analytic study, which is done from April to October 2021 in Tehran, 19-channel electroencephalogram signals from 14 schizophrenia patients and 14 healthy individuals were recorded and pre-processed. Then, the effective connectivity measure using the transfer entropy method is estimated from them and a 19×19 asymmetric connectivity matrix is constructed and represented by a color map as an image. Then, these effective connectivity images are used as inputs to the five pre-trained neural networks of AlexNet, Resnet-50, Shufflenet, Inception, and Xception. Finally, the parameters of these networks are fine-tuned to diagnose schizophrenia patients. All models are fine-tuned based on newly constructed images using the adaptive moment estimation optimizer algorithm and cross-entropy as the loss function. 10-fold cross-validation and subject-independent validation methods are used to evaluate the proposed method. Results The results of the study showed that the highest average accuracy, precision, sensitivity and F-score for classification of two classes of schizophrenia and healthy using the connectivity images and the Inception model achieved equal to 96.52%, 95.89%, 97.22% and 96.55%, respectively, in subject-independent validation method and 98.51%, 98.51%, 98.51% and 98.51% for the 10-fold cross-validation method. Also, there was less effective connectivity between schizophrenic patients than healthy individuals and these patients generally have much less information flow. Conclusion Based on our results, the proposed new model can effectively analyze brain function and be useful for psychiatrists to accurately diagnose schizophrenia patients and reduce the possible error and subsequently inappropriate treatment.