کاربرد مدل‌های یادگیری عمیق در تشخیص افسردگی با استفاده از تبدیل زمان-فرکانس سیگنال الکتروانسفالوگرام

نوع مقاله : Original Article(s)

نویسندگان

1 دکتری تخصصی، گروه فیزیک و مهندسی پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی شهیدبهشتی، تهران، ایران

2 دانشیار، گروه فیزیک و مهندسی پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی شهیدبهشتی، تهران، ایران

10.48305/jims.v42.i796.1123

چکیده

مقاله پژوهشی




مقدمه: افسردگی، یک بیماری روانی شایع در جهان می‌باشد و تشخیص دقیق و زودهنگام برای درمان به موقع ضروری می‌باشد. در این مطالعه کاربرد روش‌های هوش مصنوعی برای تشخیص دقیق و خودکار اختلال افسردگی عمده از روی سیگنال‌های مغزی بررسی شده است.
روش‌ها: در این مطالعه، از 30 فرد مبتلا به افسردگی عمده و 28 فرد سالم به عنوان جمعیت شاهد استفاده شد و ارزیابی روانی آنها توسط روانپزشک متخصص و پرسشنامه‌ی استاندارد بک انجام گرفته است. سیگنال مغزی 19 کاناله الکتروانسفالوگرام از همه‌ی افراد در حالت استراحت و با چشمان بسته اخذ گردید. سیگنال مغزی افراد بعد از پیش پردازش با استفاده از تبدیل فوریه زمان کوتاه در بازه‌های متوالی به صورت یک ماتریس دوبعدی به عنوان ورودی شبکه‌های عصبی عمیق داده شدند. مدل‌ هوش مصنوعی DeepEEGNet، که مبتنی بر مدل‌ یادگیری عمیق کانولوشنی EEGNet توسعه یافته است، برای دسته‌بندی سیگنال‌های مغزی افراد سالم و افسرده استفاده شد. از داده تست دیده نشده توسط مدل در مرحله‌ی آموزش، برای گزارش دقت نهایی مدل استفاده شده است.
یافته‌ها: مدل DeepEEGNet که از تبدیل فوریه زمان کوتاه به عنوان ورودی استفاده می‌کند، می‌تواند افراد سالم و افسرده را با دقت 84/1 درصد، حساسیت 86 درصد و ویژگی 82/7 درصد از یکدیگر تفکیک نماید.
نتیجه‌گیری: مدل یادگیری عمیق پیشنهاد شده در این مطالعه، می‌تواند سیگنال‌های مغزی بیماران افسرده را از افراد سالم با دقت بالا تفکیک نماید و برای کمک به پزشکان مورد استفاده قرار گیرد.

تازه های تحقیق

محسن سادات شهابی:  Google Scholar, PubMed 

احمد شالباف: Google Scholar

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Application of Deep Learning Models in the Detection Depression Using Time-Frequency Transformation of Electroencephalogram Signals

نویسندگان [English]

  • Mohsen Sadat Shahabi 1
  • Ahmad Shalbaf 2
1 PhD, Department of Physics and Biomedical Engineering, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran
2 Associate Professor, Department of Physics and Biomedical Engineering, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran
چکیده [English]

Background: Major Depressive Disorder (MDD) is a prevalent mental disorder worldwide, and timely diagnosis is necessary for efficient treatment. In the present study, an electroencephalogram (EEG) signal was utilized to automatically and precisely detect MDD using deep learning models.
Methods: Thirty MDD and twenty-eight healthy subjects participated, and their psychological evaluation was conducted by a specialist psychiatrist using the standard Beck questionnaire. 19-channel EEG signals were acquired from all participants in a resting state with eyes closed. Short-Time Fourier Transform (STFT) was applied to the sequential segments of the EEG signals and resulted two-dimensional matrix fed to the deep learning models. DeepEEGNet model was developed based on the EEGNet model utilized for the MDD classification and Healthy subjects. A holdout data was used to test the final model.
Findings: The DeepEEGNet model proposed in this study classified MDD and healthy participants with 84.1% accuracy, 86% sensitivity, and 82.7% specificity.
Conclusion: The deep learning model proposed in this study could accurately classify Healthy subjects and MDD patients using EEG signals and can be utilized as a helpful tool by psychiatrists.

کلیدواژه‌ها [English]

  • Major depressive disorder
  • Deep learning
  • Electroencephalography
  • Artificial intelligence

مراجع

  1. World Health Organization. Institute of Health Metrics and Evaluation. Global Health Data Exchange (GHDx). World Health Organization; 2023.
  2. Rostami R, Kazemi R, Nitsche MA, Gholipour F, Salehinejad M. Clinical and demographic predictors of response to rTMS treatment in unipolar and bipolar depressive disorders. Clin Neurophysiol 2017; 128(10): 1961-70.
  3. Craik A, He Y, Contreras-Vidal JL. Deep learning for electroencephalogram (EEG) classification tasks: a

    J Neural Eng 2019; 16(3): 031001.
  4. Byeon H. Advances in machine learning and explainable artificial intelligence for depression prediction. International Journal of Advanced Computer Science and Applications. 2023;14.(6):
  5. Singhi SK, Liu H. Feature subset selection bias for classification learning. Proceedings of the 23rd International Conference On Machine Learning. New York, NY; 2006.
  6. Shahabi MS, Nobakhsh B, Shalbaf A, Rostami R, Kazemi R. Prediction of treatment outcome for repetitive transcranial magnetic stimulation in major depressive disorder using connectivity measures and ensemble of pre-trained deep learning models. Biomedical Signal Processing and Control 2023; 85: 104822.
  7. Ay B, Yildirim O, Talo M, Baloglu UB, Aydin G, Puthankattil SD, et al. Automated depression detection using deep representation and sequence learning with EEG signals. J Med Syst 2019; 43(7): 205.
  8. Khan S, Umar Saeed SM, Frnda J, Arsalan A, Amin R, Gantassi R, et al. A machine learning based depression screening framework using temporal domain features of the electroencephalography signals. PLoS One 2024; 19(3): e0299127.
  9. Zhang Z, Meng Q, Jin L, Wang H, Hou H. A novel EEG-based graph convolution network for depression detection: incorporating secondary subject partitioning and attention mechanism. Expert Systems with Applications 2024; 239: 122356.
  10. Shahabi MS, Shalbaf A, Maghsoudi A. Prediction of drug response in major depressive disorder using ensemble of transfer learning with convolutional neural network based on EEG. Biocybernetics and Biomedical Engineering 2021; 41(3): 946-59.
  11. Shahabi MS, Shalbaf A, Rostami R. Prediction of response to repetitive transcranial magnetic stimulation for major depressive disorder using hybrid Convolutional recurrent neural networks and raw Electroencephalogram Signal. Cogn Neurodyn 2023; 17(4): 909-20.
  12. Mumtaz W, Xia L, Yasin MAM, Ali SSA, Malik AS. A wavelet-based technique to predict treatment outcome for major depressive disorder. PLoS One 2017; 12(2): e0171409 .
  13. Bagherzadeh S, Shahabi MS, Shalbaf A. Detection of schizophrenia using hybrid of deep learning and brain effective connectivity image from electroencephalogram signal. Comput Biol Med 2022; 146: 105570.
  14. Wan Z, Huang J, Zhang H, Zhou H, Yang J, Zhong N. HybridEEGNet: A Convolutional Neural Network for EEG Feature Learning and Depression Discrimination. IEEE Access. 2020; 8: 30332-42.
  15. Lawhern VJ, Solon AJ, Waytowich NR, Gordon SM, Hung CP, Lance BJ. EEGNet: a compact convolutional neural network for EEG-based brain–computer interfaces. J Neural Eng 2018; 15(5): 056013.
  16. Ellis CA, Sancho ML, Miller RL, Calhoun VD. Identifying EEG Biomarkers of Depression with Novel Explainable Deep Learning Architectures. bioRxiv 2024.
  17. Das AK, Naskar R. A deep learning model for depression detection based on MFCC and CNN generated spectrogram features. Biomedical Signal Processing and Control 2024; 90: 105898.
  18. Khan A, Sohail A, Zahoora U, Qureshi AS. A survey of the recent architectures of deep convolutional neural networks. Artif Intell Rev 2020; 53: 5455–516.
مجله دانشکده پزشکی اصفهان
دوره 42، شماره 796
هفته 4، بهمن
بهمن و اسفند 1403
صفحه 1123-1128

فایل ها

سابقه مقاله

  • تاریخ دریافت: 17 تیر 1403
  • تاریخ پذیرش: 23 مهر 1403

هم رسانی

ارجاع به این مقاله

آمار