خلاصة:
مقدمه: از میان تکنیکهای نقشه برداری مغزی، الکتروانسفالوگرافی کمی با کاربری آسانتر جهت بررسی اختلالات روانپزشکی از جمله اختلال وسواسی-جبری(OCD) مورد اقبال واقع شده است. ویژگیهای طیفی، نمایانگر توزیع قدرت سیگنال در باندهای فرکانسی مختلف سیگنال الکتروانسفالوگرافی کمی میباشند و میتوانند تفاوت فعالیت عصبی نواحی مختلف را که شاید زمینه ساز بیماری باشند مشخص کنند. در این مطالعه با استفاده از ویژگیهای طیفی دخیل در اختلال OCD که بر اساس مطالعات گذشته شناخته شده است را بررسی کرده و به عنوان ورودی دادهها به عملکرد الگوریتم پیشنهادی عملکرد بررسی کردیم. روش کار: این مطالعه یک مطالعه مقطعی تحلیلی بود. سیگنالهای الکتروانسفالوگرافی در حالت استراحت از افراد دارای اختلال و سالم در شرایط چشم بسته به دست آمد. این روش با استفاده از کلاهک ۲۱ کاناله انجام شد. پس از حذف نویز با روش ICA ویژگیهای طیفی محاسبه و پس از افزایش دادهها از طریق تقسیم الکتروانسفالوگرام به سیگنالهای یک دقیقهای، به عنوان ورودی ماشین یادگیری استفاده شد. همچنین با استفاده از آزمونهای آماری این ویژگیها بین دوگروه سالم و افراد دارای اختلال مقایسه شد. یافتهها: ۴۲ فرد وارد مطالعه شدند که ۲۷ نفر دارای اختلال و ۱۴ نفر سالم بودند. مشخص شد که هیچ یک از ویژگیهای استخراج شده بین دوگروه اختلاف معناداری نداشتند. حساسیت ارایه شده توسط الگوریتم یادگیری ماشین ۸۳.۳٪، اختصاصیت ٪۸۰، دقت ۸۲.۱ و نرخ نسبت یافتن غلط (FDR) ۱۱.۷٪ بدست آمد. نتیجه گیری: برخلاف مطالعات قبل اغلب ویژگیهای طیفی بجز یک مورد (بتای ناحیه پیشانی) اختلاف معناداری نداشتند. الگوریتم یادگیری ماشین با دقت ٪۸۲.۱ توانست افراد مبتلا را تشخیص دهد. این عملکرد قابل قبول و مشابه عملکرد دیگر الگوریتمها با ویژگیهای غیرطیفی و روشهای تصویربرداری دیگر بود.
Introduction: Obsessive-compulsive disorder (OCD) is a debilitating mental illness with symptoms typically manifesting during childhood and adolescence. Quantitative electroencephalography (QEEG) is a favored brain mapping technique for investigating psychiatric disorders due to its accessibility and ease of use. Spectral features of QEEG, particularly differences in neural activity across frequency bands and brain regions, may underlie certain diseases. This study investigates the performance of a machine learning algorithm using spectral features as input to provide insight into the neural activities associated with OCD.
Methods: This analytical cross-sectional study obtained EEG signals from healthy controls and OCD patients in a closed-eyes condition using a 21-channel cap. After noise removal via independent component analysis (ICA), features were calculated, augmented by 1-minute EEG segmentation, and used as input for the machine learning algorithm. Statistical tests were used to compare features between groups.
Results: The study included 42 participants, 27 OCD patients, and 14 healthy controls. All features followed a non-normal distribution. The Mann-Whitney test revealed no significant differences between groups for all features (p>0.05) except for frontal beta (p Using 10-fold cross-validation, the machine learning algorithm achieved an accuracy of 82.1%, with a sensitivity of 83.3% and specificity of 80.0%. The false discovery rate (FDR) was 11.8%.
Conclusion: In the studied population, there were no significant differences between OCD patients and healthy controls for any of the investigated features except for the frontal beta feature. However, the machine learning algorithm accurately detected 82.1% of patients, which was comparable to the performance of other features and imaging methods reported in previous studies.