الگوریتم های یادگیری ماشین در تشخیص اختلالات روانی

داده‌های MRI

این تصاویر می‌توانند تفاوت‌های ساختاری و عملکردی مغز در افراد مبتلا به اختلالات روانی را نشان دهند.

داده‌های fMRI

این تکنیک فعالیت‌های مغزی را در زمان واقعی ثبت می‌کند و می‌تواند نسبت به MRI تفاوت‌های ظریف‌تر عملکردی مغز را آشکار کند.

الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی

در بین الگوریتم‌های یادگیری ماشین، شبکه‌های عصبی پیچیده و یادگیری عمیق نقش به‌سزایی در تشخیص اختلالات روانی ایفا می‌کنند. از جمله الگوریتم‌های پرکاربرد می‌توان به موارد زیر اشاره کرد:

• شبکه‌های عصبی عمیق (DNN): برای تحلیل حجم بالایی از داده‌های مغزی و تشخیص الگوهای پیچیده مورد استفاده قرار می‌گیرند.
• شبکه‌های عصبی کانولوشنی (CNN): در تحلیل تصاویر MRI و fMRI برای شناسایی اختلالات روانی موفق عمل کرده‌اند.
• شبکه‌های بازگشتی (RNN): مناسب برای داده‌های سری زمانی مانند سیگنال‌های EEG است، زیرا می‌توانند الگوهای زمانی در داده‌ها را به خوبی تشخیص دهند.

در ادامه یک پروژه عملی را بررسی میکنیم.

مراحل اصلی انجام یک پروژه عملی پیش‌بینی چندبعدی علائم روان‌پریشی با استفاده از یادگیری ماشین

جمع‌آوری داده‌ها

داده‌های fMRI و رفتاری از 80 بیمار اسکیزوفرنی در طی یک فرایند جمع‌آوری شده است. هر داده با وِیژگی‌های هر فرد نشانه‌گذاری شده است. ویژگی‌ها شامل پاسخ‌های عصبی به شرایط هدف و جدید، معیارهای رفتاری و عوامل مخدوش‌کننده مانند سن و میزان تحصیلات هستند.

پیش‌پردازش داده‌ها

داده‌های با استفاده از نرم‌افزار SPM12 پردازش شده‌اند تا تصاویر به فضای استاندارد MNI نرمالیزه شوند.

نرم‌افزار SPM: یک نرم‌افزار برای تحلیل توالی‌های داده‌های تصویربرداری مغز است. این توالی‌ها می‌توانند مجموعه‌ای از تصاویر از گروه‌های مختلف یا سری‌های زمانی از یک فرد باشند. نسخه فعلی قابلیت تحلیل داده‌های fMRI، PET، SPECT، EEG و MEG را دارد.

فضای MNI: یک سیستم مختصات استاندارد است که در تصویربرداری عصبی برای تعیین موقعیت دقیق نواحی مختلف مغز استفاده می‌شود. این فضا مانند یک نقشه جهانی از مغز است که به محققان اجازه می‌دهد تا تصاویر مغز افراد مختلف را با هم مقایسه کنند.

 مدل‌سازی یادگیری ماشین

با استفاده از تکنیک‌های یادگیری ماشین در یک چارچوب ترکیبی و چندمرحله‌ای، مدل را پیاده سازی میکنیم.