ارائه‌کننده: احسان عباسی

استاد راهنما: دکتر بابک محمدزاده

استاد ناظر داخلی اول: دکتر رویا پریدار

استاد ناظر خارجی اول: دکتر رضا ابراهیم پور (دانشگاه صنعتی شریف)

تاریخ: ۱۴۰۴/۰۷/۰۸ 

ساعت: ۱۴:۰۰

مکان: اتاق شیشه ای

چکیده:     

بیماری آلزایمر شایع‌ترین علت زوال عقل است و تشخیص افتراقی آن از دمانس فرونتوتمپورال و اختلال شناختی خفیف، به‌دلیل هم‌پوشانی نشانه‌های بالینی در مراحل اولیه، همچنان یکی از چالش‌های مهم بالینی به شمار می‌رود. ابزارهای مرجع کنونی نظیر تصویربرداری PET، MRI و آزمایش مایع مغزی-نخاعی پرهزینه، نسبتاً تهاجمی و کم‌دسترس‌اند؛ از این رو الکتروانسفالوگرافی به‌عنوان روشی غیرتهاجمی، ارزان و دارای تفکیک‌پذیری زمانی بالا، گزینه‌ای جذاب برای توسعه‌ی بیومارکرهای تشخیصی است. در این پایان‌نامه، چارچوبی مبتنی بر اتصال عملکردی EEG حالت استراحت برای طبقه‌بندی دوکلاسه و چندکلاسه‌ی بیماری آلزایمر (AD)، دمانس فرونتوتمپورال (FTD)، اختلال شناختی خفیف (MCI) و سالمندان سالم (HC) پیشنهاد شده است. ایده‌ی محوری، نگریستن به دمانس به‌مثابه یک بیماری شبکه‌ای و استفاده از الگوهای هماهنگی میان نواحی مغزی به‌جای ویژگی‌های تک‌کاناله است.

داده‌های سه مجموعه‌ی مستقل EEG با مونتاژ مشترک ۱۹ کاناله یکسان‌سازی، با روش بازسازی زیرفضای آرتیفکت و تحلیل مؤلفه‌های مستقل پاک‌سازی و به اپوک‌های پنج‌ثانیه‌ای تقسیم شدند. سپس هر اپوک به شش باند فرکانسی (دلتا، تتا، آلفا، سیگما، بتا و گاما) تجزیه شد و فاز و دامنه‌ی لحظه‌ای با تبدیل هیلبرت استخراج گردید. سه شاخص مکمل اتصال - مقدار قفل‌شدگی فاز (PLV)، شاخص تأخیر فاز (PLI) و اطلاعات متقابل (MI) - هم به‌صورت درون‌باندی و هم در قالب جفت‌شدگی میان‌فرکانسی برای ۳۶ جفت‌باند محاسبه شدند. ویژگی‌های تمایزدهنده با آزمون‌های آماری و تصحیح نرخ کشف کاذب انتخاب می‌شوند و چهار طبقه‌بند  SVM، KNN، جنگل تصادفی و XGBoost ارزیابی شدند. ارزیابی در سه سطح انجام شد: آزمودنی‌وابسته، آزمودنی‌مستقل درون‌مجموعه‌داده‌ای، و میان‌مجموعه‌داده‌ای؛ افزون بر این، از روش SHAP برای شناسایی جفت‌کانال‌ها، باندهای فرکانسی و نواحی مغزی مؤثر در تصمیم مدل استفاده شد.

در ارزیابی آزمودنی‌وابسته، ترکیب PLV باند گاما با طبقه‌بند SVM به دقت ۹۹٫۸۶ درصد در سناریوی سه‌کلاسه‌ی AD/FTD/HC و بیش از ۹۹٫۷ درصد در سناریوهای دوکلاسه رسید. در شرایط دشوارتر آزمودنی‌مستقل، دقت‌ها بسته به سناریو و مجموعه‌داده در بازه‌ی ۷۷٫۷۸ تا ۱۰۰ درصد قرار گرفتند و شاخص MI  (به‌ویژه در تمایز AD از FTD) باندهای آلفا و تتا بیشترین فراوانی انتخاب بهینه را داشتند. در ارزیابی میان‌مجموعه‌داده‌ای، مدل آموزش‌دیده روی مجموعه‌داده‌ی نخست، در تمایز AD از HC روی مجموعه‌داده‌ی مستقل دوم به دقت ۹۸٫۱۰ درصد رسید که نشان‌دهنده‌ی انتقال‌پذیری ویژگی‌های اتصال میان کوهورت‌های متفاوت است. تحلیل SHAP الگوهای تکرارشونده‌ای را آشکار ساخت: کاهش اتصال در ناحیه‌ی پیشانی در هر دو نوع دمانس، افزایش اتصال در نواحی پس‌سری و آهیانه‌ای در آلزایمر، و محوریت شبکه‌ی پیشانی-گیجگاهی در  FTD؛ یافته‌هایی که با فرضیه‌ی سندرم قطع ارتباط و آسیب‌پذیری شبکه‌ی حالت پیش‌فرض هم‌خوانی دارند. در مجموع، نتایج نشان می‌دهد اتصال عملکردی و میان‌فرکانسی  EEG، همراه با انتخاب ویژگی آماری و مدل‌های یادگیری ماشین کلاسیک، مبنایی کم‌هزینه، تفسیرپذیر و قابل‌تعمیم برای تشخیص افتراقی دمانس فراهم می‌آورد.