การพัฒนาการเรียนรู้ของเครื่องในการทำนายภาวะสมองเสื่อมด้วยคลื่นไฟฟ้าสมอง

ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์

กันตินันท์ ไหลประเสริฐ, ชญาภรณ์ เล้าแสงฟ้า

อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์

คเณศ สุเมธพิพัธน์, ศุภวิชญ์ คงวุฒิคุณากร

โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์

โรงเรียนกำเนิดวิทย์

ปีที่จัดทำโครงงานวิทยาศาสตร์

พ.ศ. 2566

บทคัดย่อโครงงานวิทยาศาสตร์

ภาวะสมองเสื่อม (dementia) คือกลุ่มอาการที่เกิดจากระบบการทำงานของสมองที่ค่อย ๆ เสื่อมลงหรือมีความบกพร่อง ซึ่งส่งผลกระทบต่อการใช้ชีวิตประจำวันของผู้ป่วยเองและสังคมในวงกว้าง รายงานขององค์กรอนามัยโลกพบว่ามีผู้ป่วยที่เผชิญภาวะสมองเสื่อมมากกว่า 55 ล้านคนทั่วโลก แม้ภาวะสมองเสื่อมยังไม่มีวิธีการรักษาให้หายขาด แต่การวินิจฉัยพบภาวะนี้โดยเร็วที่สุดจะสามารถช่วยให้ผู้ป่วยได้รับการดูแลอย่างถูกต้องได้ จากงานวิจัยที่ผ่านมาการตรวจวัดสัญญาณคลื่นไฟฟ้าสมอง (Electroencephalogram: EEG) สามารถบันทึกและแสดงสัญญาณไฟฟ้าของเซลล์สมองที่ส่งออกมาในรูปแบบของความถี่ได้และเคยนำมาวินิจฉัยโรคที่เกี่ยวข้องกับการทำงานของสมองมากมาย รวมถึงภาวะสมองเสื่อม โดยนำการเรียนรู้ของเครื่อง (Machine Learning) เข้ามาช่วยวิเคราะห์ข้อมูลสัญญาณไฟฟ้าของผู้ป่วยและจำแนกระยะของภาวะสมองเสื่อมจากที่ได้กล่าวไปข้างต้นทีมวิจัยจึงมีความสนใจที่จะพัฒนาแบบจำลองการจำแนกหลายคลาสเพื่อคัดกรองระดับของภาวะสมองเสื่อมให้มีประสิทธิภาพมากขึ้นโดยจำแนกออกเป็น 3 กลุ่ม ได้แก่ ภาวะปกติ (NC) ภาวะความรู้คิดบกพร่องเล็กน้อย (MCI) และภาวะสมองเสื่อม (DEM) และเปรียบเทียบระหว่างการใช้โครงข่ายประสาทเทียม (Convolutional Neural Network: CNN) แบบต่าง ๆ กับการผสมผสานการสกัดคุณลักษณะด้วยการหาความหนาแน่นของสเปกตรัม (Power Spectral Density: PSD) เข้ากับอัลกอริทึมการจำแนกอย่าง Support Vector Machine, K-Nearest Neighbours, Naïve Bayes และ Random Forest โดยใช้ฐานข้อมูลจากงานวิจัยที่ผ่านมาของสถาบันวิทยสิริเมธี บันทึกสัญญาณคลื่นสมองจากกลุ่มตัวอย่างจากโรงพยาบาลศิริราชที่ทำ Visually Stimulated Tasks (VST) ระหว่างการบันทึกสัญญาณ ซึ่งในปัจจุบันยังมีงานวิจัยไม่มากที่ศึกษาการจำแนกสัญญาณคลื่นสมองของผู้ป่วยภาวะสมองเสื่อมระหว่างที่สมองมีกระบวนการรับรู้และตัดสินใจ นอกจากนี้ ทีมวิจัยมุ่งเน้นพัฒนาแบบจำลองที่มีการประเมินผลแบบอิงผู้ป่วยเพื่อให้สามารถใช้ได้กับผู้ป่วยทุกราย และสามารถนำไปต่อยอดใช้ในการวินิจฉัยเบื้องต้นได้จริง โดยประสิทธิภาพสูงสุดของแบบจำลองที่ประเมินผลแบบอิงผู้ป่วยในขณะนี้มีความแม่นยำอยู่ที่ 0.689 ± 0.227 โดยพัฒนาจากการประยุกต์องค์ประกอบ PSD เข้ากับอัลกอริทึม k-nearest neighbours และ 0.689 ± 0.285 เมื่อใช้ร่วมกับอัลกอริทึม Naïve Bayes ซึ่งนับว่ามีศักยภาพมากเพียงพอที่จะพัฒนาให้มีประสิทธิภาพมากขึ้นต่อไปเพื่อนำไปใช้คัดกรองและวินิจฉัยผู้ป่วยภาวะสมองเสื่อมเบื้องต้นในสถานการณ์จริงได้ในอนาคต

Dementia is a group of symptoms caused by a gradual decline or impairment of cognitive function, which has a major impact on the daily lives of affected individuals and society as a whole. According to the World Health Organization, dementia affects about 55 million people worldwide. Although there is no cure for dementia at the moment, early detection is essential for efficient treatment. Previous studies have demonstrated that electroencephalogram (EEG) measurements, which capture the brain's electrical activity in frequency domains, can aid in the diagnosis of brain function disorders such as dementia. In this research, EEG signals from subjects were analyzed using machine learning approaches to classify dementia stages into 3 groups: normal condition (NC), mild cognitive impairment (MCI), and dementia (DEM). Our framework developed based on data collected in past research of Vidyasirimedhi Institute at Siriraj Hospital, subjects have done the visually stimulated tasks (VST) during the EEG recordings, which there has been not much investigation on the classification of EEG signals in dementia patients during cognitive processes involving perception and decision-making. The goal of this study is to develop multi-class machine learning framework able to distinguish data into 3 classes effectively by investigating and comparing between traditional machine learning which combines feature extraction technique like power spectral density (PSD) with classification algorithms such as support vector machine (SVM), k-nearest neighbours (KNN), Naive Bayes, and random forest, in addition of the neural network-based approach, which includes EEGNet, and ShallowConvNet. Moreover, we evaluated the model’s performance using patient-based classification as the EEG signals are different among subjects and to make this framework more applicable in real world. The multiclass model's maximum accuracy of patient-based framework was around 0.689 ± 0.227 from combining PSD components with k-nearest neighbours and 0.689 ± 0.285 from Naive Bayes algorithm, indicating that it has significant potential for preliminary diagnostic applications. Further refinement and validation are required before real-world diagnostic use.