ارائه دهنده: امیرحسین اردلان استاد راهنما: دکتر بابک محمدزاده اصلاستاد ناظر داخلی: دکتر زهرا بهمنی دهکردیاستاد ناظر خارجی: دکتر مریم محبیتاریخ: ۱۴۰۴/۰۷/۱۵ ساعت: ۱۲:۳۰تا ۱۴ مکان: اتاق شیشه‌ای

چکیده: اسکیزوفرنی یک اختلال روانی پیچیده و طولانی‌مدت است که با علائمی همچون هذیان، توهم، اختلال در گفتار، نارسایی‌های شناختی و تجربه ادراکات غیرواقعی همراه است و می‌تواند به ناتوانی مادام‌العمر منجر شود. این بیماری بر تفکر، رفتار و احساسات افراد تأثیرگذار بوده و به عنوان یکی از چالش‌های عمده سلامت روان شناخته می‌شود. تشخیص زودهنگام اسکیزوفرنی نقش مهمی در بهبود روند درمان و کیفیت زندگی بیماران ایفا می‌کند. با این حال، ماهیت پیچیده، متنوع و مبهم علائم این اختلال، فرآیند تشخیص را دشوار ساخته است. سیگنال‌های مغزی کم‌هزینه، غیرتهاجمی و با آنتروپی بالا هستند و بنابراین پتانسیل زیادی برای تشخیص بالینی بیماری‌های عصبی و کاربردهای رابط مغز و کامپیوتر دارد. بنابراین، تشخیص خودکار بیماری بر اساس سیگنال‌های مغزی مربوط به افراد سالم و بیماران اسکیزوفرنی می‌تواند به طور مؤثر به پزشکان در تشخیص دقیق کمک کند. در این پژوهش، رویکردی نوین مبتنی بر معماری ترنسفورمر برای تشخیص اسکیزوفرنی از سیگنال‌های مغزی ارائه می‌شود. فرآیند تحقیق شامل مراحل انتخاب داده، پیش‌پردازش، استخراج ویژگی و طبقه‌بندی است. برای شبیه‌سازی‌ها از مجموعه‌داده IBIB PAN-Department of Methods of Brain Imaging and Functional Research of Nervous System  استفاده شد. پیش‌پردازش داده‌ها شامل تحلیل مؤلفه‌های مستقل، فیلترگذاری، نرمال‌سازی و تقسیم سیگنال‌ها به پنجره‌های زمانی است. سپس معماری ترنسفورمر با استفاده از توابع فعال‌سازی مختلف برای استخراج ویژگی‌ها به کار گرفته می‌شود. برای ارزیابی عملکرد مدل پیشنهادی، از روش اعتبارسنجی متقابل K-Fold با 10 K= استفاده گردید. نتایج حاصل نشان داد که روش پیشنهادی قادر به دستیابی به حداکثر دقت 99.4، درستی 99.5، حساسیت 99.4، اختصاصیت 99.4 ، امتیازF1 99.5 و سطح زیر منحنی 0.994 دست یابد. ین نتایج بیانگر توان بالقوه روش پیشنهادی در بهبود فرآیند تشخیص بالینی اسکیزوفرنی و ارتقای کارایی سیستم‌های هوش مصنوعی در حوزه سلامت روان می‌باشد