فاطمه زریسفی کرمانی

اسکیزوفرنی (SCZ) یک اختلال روانی مزمن و جدی با میزان مرگ و میر بالا است. تشخیص دقیق و زودهنگام اسکیزوفرنی به دلیل ماهیت بالینی و وابسته به قضاوت پزشک، یکی از چالش های اساسی در روان پزشکی است. الکتروانسفالوگرافی (EEG) یک تکنیک غیرتهاجمی با هزینه کم برای اندازه گیری فعالیت مغز با وضوح زمانی بالا است. شواهد نشان می دهد که EEG قادر به ثبت نوروپاتولوژی غیرطبیعی SCZ است. در سال های اخیر، الگوریتم های یادگیری ماشین، پیشرفت قابل توجهی در تحلیل خودکار این سیگنال ها و طبقه بندی بیماران مبتلا به اسکیزوفرنی ایجاد کرده اند. این مقاله مروری با هدف بررسی جامع مطالعات انجام شده بین سال های 2020 تا 2025، به تحلیل نقش نوع EEG ثبت شده در حالت استراحت ویا مبتنی بر محرک در شناسایی بیومارکرهای عصبی مرتبط با بیماری اسکیزوفرنی، ویژگی های استخراجی و الگوریتم های بکاررفته می پردازد. در نهایت، خلاصه ای از مطالعات به همراه نتایج آن ها در قالب یک جدول ارائه می گردد.