انتخاب روشی بهینه در تشخیص اختلال دوقطبی با استفاده از شبکه های عصبی

همراه با توسعه سریع شبکه های عصبی مصنوعی در زمینه های مهندسی پزشکی، مدل سازی، خصوصیات، طبقه بندی، تجزیه و تحلیل و.. در تشخیص اختلالات روانی مورد توجه واقع شده است. می توان گفت تاکنون به دلایل مختلفی از جمله عدم آگاهی افراد از بیماری خود، عدم مراجعه به پزشک و... بسیاری از اختلالات ناشناخته مانده و شخص به موقع جهت درمان اقدام نمی کند و روند درمان دیرتر و در اکتر موارد روند درمانی طولانی تری را در پی خواهد داشت. از اختلالات روانی که شبکه عصبی جهت کمک در روند تشخیص آن ورود پیدا کرده است میتوان به فراموشی (آلزایمر)، اسکیزوفرنی و افسردگی اشاره نمود؛ که افسردگی، یکی از اختلالاتی است که در حال حاضر افراد بسیاری در سراسر جهان آن را تجربه کرده و یا در خطر ابتلا به آن قرار دارند. «اختلال دوقطبی» یکی از تقسیم بندی های افسردگی می باشد، که فرد دارای یک گذر اخلاقی از شاد و سرخوش بودن به حالت شیدایی،می باشد. در این پایان نامه، با توجه به کم بودن تحقیقات موثر در زمینه استفاده از ساختارهای شبکه عصبی در تشخیص اختلال دوقطبی، تلاش گردیده است یک طرح موثر در معماری های مختلف شبکه های عصبی و طبقه بندی که کابرد بیشتری در زمینه تشخیص پزشکی را دارند، با استفاده از ساختارهای mlp (مدل پرسپترون چندلایه)، rbf (تابع پایه شعاعی)، svm (ماشین بردار پشتیبان) و knn (نزدیکترین همسایگان)، معرفی گردد. این طرح پیشنهادی با استفاده از دو سطح شبکه جهت کاهش خطا در روند تشخیص اختلال دو قطبی و جلوگیری از تشخیص اشتباه پرداخته است. پارامترهای مورد استفاده از واکنش های بیماران و افراد سالم به 47 پارامتر مربوط مانند خلق افسرده، کاهش انرژی، عدم لذت، گریه، غم و اندوه، از دست دادن وزن، عدم تمرکز، رانندگی خطرناک است، شادی بالا، پر حرفی (صحبت بسیار) ، افکار خودکشی (مانند سابقه اقدام به خودکشی و یا فکر کردن درباره آن)، و ...، بدست آمده اند. نتایج شبیه سازی نشان می دهد که اشتباهات تشخیص این اختلال به 4% کاهش یافته است، که عملکردی بالا در تشخیص اولیه را نشان می دهد.