[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
برای داوران::
اصول اخلاقی::
ثبت نام و اشتراک::
تسهیلات پایگاه::
تماس با ما::
::
::
نمایه شده در
    
..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
Copyright Policies

AWT IMAGE

..
Open Access Policy

نحوه دسترسی به تمام مقالات مجله بصورت زیر است:

Creative Commons License
..

..
ثبت شده در

AWT IMAGE

AWT IMAGE

..
:: دوره 10، شماره 1 - ( زمستان 1400 ) ::
دوره 10 شماره 1 صفحات 11-1 برگشت به فهرست نسخه ها
مقایسۀ عملکرد شبکۀ عصبی المن و شبکۀ عصبی عمیق جهت تشخیص بیماری آلزایمر خفیف
الیاس مزروعی ، مهدی آذرنوش* ، مجید قشونی ، محمدمهدی خلیل زاده
گروه مهندسی زیست پزشکی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران ، M_Azarnoosh@mshdiau.ac.ir
چکیده:   (2545 مشاهده)
مقدمه: هدف اصلی این مطالعه ارائه روشی برای تشخیص زودهنگام بیماری آلزایمر است. این بیماری با از بین بردن سلول های عصبی در سیستم عصبی و کاهش ارتباطات و فعل و انفعالات عصبی، عملکرد حافظه را کاهش می‏دهد. مواد و روش‌ها: سطح این بیماری باید با توجه به ارتباط این بیماری با ویژگی‌های مختلف در سیگنال مغزی و تصاویر پزشکی تشخیص داده می‌شود. ابتدا با پیش پردازش مناسب، خواص غیر خطی مانند نمودار فاز، بعد همبستگی، آنتروپی و نمای لیاپانوف استخراج شده و جهت طبقه‌بندی از شبکه عصبی المن استفاده شده است. سپس صحت عملکرد شبکه عصبی المن با شبکه عصبی کانالوشنی مقایسه شده است. استفاده از روش‌های یادگیری عمیق از جمله شبکه عصبی کانالوشنی، می‌تواند نتایج مناسب‌تر و دقیق‌تری در میان سایر روش‌های طبقه‌بندی داشته باشد. یافته‌ها: در حالت استفاده از دو شبکه CNN و یک شبکه MLP صحت نتایج در افراد سالم 98 درصد و در افراد بیمار خفیف 97/7 درصد و در افراد بیمار شدید 97/5 درصد بدست آمده است. در حالت استفاده از یک شبکه CNN با ترکیب ویژگی‌ها سیگنال مغزی و تصاویر پزشکی در حالت تحریک صحت نتایج در افراد سالم 95 درصد و در بیماران خفیف 92/5 درصد و در بیماران شدید 97/5 درصد می‌باشد، در حالت یادآوری صحت نتایج در افراد سالم 75 درصد و در بیماران خفیف 72/5 درصد و در بیماران شدید 87/5 درصد است. صحت نتایج در شبکه عصبی Elman با ترکیب ویژگی‌های سیگنال مغزی و تصاویر پزشکی 94/4 درصد و در حالت بدون ترکیب ویژگی‌ها، صحت نتایج 92/2 درصد شده است. نتیجه‌گیری: در بین روش‌های پردازشی ارائه شده جهت دسته‌بندی سه کلاس سالم، بیمار خفیف و بیمار شدید، روش ترکیب ویژگی‌های سیگنال مغزی و تصاویر پزشکی موجب افزایش صحت نتایج طبقه‌بندی کننده CNN و Elman شده است.
واژه‌های کلیدی: بیماری آلزایمر، تشخیص، الکتروانسفالوگرافی، تصویر برداری رزونانس مغناطیسی
متن کامل [PDF 2668 kb]   (1145 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: علوم اعصاب شناختی
فهرست منابع
1. B.T. Francesco Roselli, Francesco Federico,Vito Lepore, Giovanni Defazio∗, Paolo Livrea, "Rate of MMSE score change in Alzheimer's disease : Influence of education and vascular risk factors," Clinical Neurology and Neurosurgery, , 2009; vol. 3: pp. 327-30. [DOI:10.1016/j.clineuro.2008.10.006]
2. Prince M, Wimo A, Guerchet M, Ali G, Wu Y, Prina M. World Alzheimer Report 2015. The global impact of dementia. An analysis of prevalence, incidence, cost & trends; Alzheimer's disease International: London. London: Alzheimer's disease International (ADI); 2015.
3. Van Deursen, J. A., E. F. P. M. Vuurman, V. H. J. M. van Kranen-Mastenbroek, F. R. J. Verhey, and W. J. Riedel. "40-Hz steady state response in Alzheimer's disease and mild cognitive impairment." Neurobiology of aging 32, 2011; no. 1: 24-30. [DOI:10.1016/j.neurobiolaging.2009.01.002]
4. Jaeseung Jeong, EEG dynamics in patients with Alzheimer's disease, Invited review, Clinical Neurophysiology, 2004; 115; 1490-1505. [DOI:10.1016/j.clinph.2004.01.001]
5. Jaeseung Jeong, Nonlinear Dynamics of EEG in Alzheimer's disease, Research Overview, DRUG DEVELOPMENT RESEARCH, 2002; 56: 57-66. [DOI:10.1002/ddr.10061]
6. 6 Lee, M.S., Lee, S.H., Moon, E.O., Moon, Y.J., Kim, S., Kim, S.H., Jung, I.K.: Neuropsychological correlates of the P300 in patients with Alzheimer's disease. Prog Neuropsychopharmacol Biol Psychiatry, 2013; 40: 62-9. [DOI:10.1016/j.pnpbp.2012.08.009]
7. Szirmai, I., Kamondi, A.: EEG investigations in cognitive impairments. Ideggyogy Szemle, 2011; 64: 14-23.
8. E. J. Burton, R. Barber,E. B. Mukaetova-Ladinska, J. Robson,R. H. Perry,E. Jaros, R. N. Kalaria,and J. T. O'Brien, Medial temporal lobe atrophy on MRI differentiates Alzheimer's disease from dementia with Lewy bodies and vascular cognitive impairment: a prospective study with pathological verification of diagnosis, Brain, 2009; 132: 195-203. [DOI:10.1093/brain/awn298]
9. Hajmanouchehri, R. CT Scan and MRI Findings in Patients with Dementia, Iranian Journal of Forensic Medicine, Review Article Ir J Forensic Med, 2017; 23(3): 150-9. [DOI:10.30699/epub.sjfm.23.3.150]
10. Wood PL, Barnette BL, Kaye JA, Quinn JF, Woltjer RL. Non-targeted lipidomics of CSF and frontal cortex grey and white matter in control, mild cognitive impairment, and Alzheimer's disease subjects , Neuropsychopharmacology, 2015; 143-52. [DOI:10.1017/neu.2015.18]
11. Atif Mehmood, Muazzam Maqsood, Muza_ar Bashir and Yang Shuyuan,; A Deep Siamese Convolution Neural Network for Multi- Class Classification of Alzheimer Disease; MDPI, 2020; 8:1041-52. [DOI:10.3390/brainsci10020084]
12. Fei- Fei, L.; Deng, J.; Li, K. ImageNet: Constructing a large-scale image database. J. Vis, 2010; 9: 1037-43. [DOI:10.1167/9.8.1037]
13. Baron, J.C.; Chételat, G.; Desgranges, B.; Perchey, G.; Landeau, B.; De La Sayette, V.; Eustache, F. In vivo mapping of gray matter loss with voxel- based morphometry in mild Alzheimer's disease. Neuroimage, 2001;14: 298-309. [DOI:10.1006/nimg.2001.0848]
14. Irfan Ahmad a, Karunakar Pothuganti b; Analysis of different convolution neural network models to diagnose Alzheimer's disease; Materials Today, 2020; 9: 121- 6. [DOI:10.1016/j.matpr.2020.09.625]
15. Hedges, D., Janis, R., Mickelson, S., Keith, C., Bennett, D., Brown, B.L.: P300 Amplitude in Alzheimer's Disease: A Meta-Analysis and Meta-Regression. Clin EEG Neurosci, 2016; 47: 48-55. [DOI:10.1177/1550059414550567]
16. P.J.S. Colleen E. Jackson "Electroencephalography and event- related potentials as biomarkers of mild cognitive impairment and mild Alzheimer's disease", 2008; vol. 23: pp. 137-43.
17. X. Wei, L. Zhou, Z. Chen, L. Zhang, Y.i. Zhou, Automatic seizure detection using three-dimensional CNN based on multi-channel EEG, BMC Med. Inf. Decis. Making, 2018; 18 (5): 71-80. [DOI:10.1186/s12911-018-0693-8]
18. Xiao Jiang, Gui-Bin Bian, Zean Tian, Removal of Artifacts from EEG Signals: A Review, 2019; 987-1002. [DOI:10.3390/s19050987]
19. Micanovic, C., Suvankar, P.: The diagnostic utility of EEG in early- onset dementia: a systematic review of the literature with narrative analysis. J Neural Transm, 2014; 121 (1): 59-69. [DOI:10.1007/s00702-013-1070-5]
20. P J Visser, F R J Verhey, P A M Hofman, P Scheltens, J Jolles, Medial temporal lobe atrophy predicts Alzheimer's disease in patients with minor cognitive impairment, J Neurol Neurosurg Psychiatry, 2002; 72: 491-97.
21. Biju K S, Alfa S S, Kavya Lal , Alvia Antony, Akhil M Kurup, Alzheimer's Detection Based on Segmentation of MRI Image, Procedia Computer Science, 2017; 115: 474-81. [DOI:10.1016/j.procs.2017.09.088]
22. Lies Clerx, Ineke A. van Rossum , Leah Burns , Dirk L. Knol , Philip Scheltens , & et al. Measurements of medial temporal lobe atrophy for prediction of Alzheimer's disease in subjects with mild cognitive impairment, Neurobiology of Aging 34 , 2003e-2013. [DOI:10.1016/j.neurobiolaging.2013.02.002]
23. Craik, Alexander, Yongtian He, and Jose L. Contreras- Vidal. "Deep learning for electroencephalogram (EEG) classification tasks: a review." Journal of neural engineering, 2019; 16, no. 3: 031001. [DOI:10.1088/1741-2552/ab0ab5]
24. Zheng, Yi, Qi Liu, Enhong Chen, Yong Ge, and J. Leon Zhao. "Exploiting multi- channels deep convolutional neural networks for multivariate time series classification." Frontiers of Computer Science 10, 2016; no. 1: 96-112. [DOI:10.1007/s11704-015-4478-2]
25. Zheng, Yi, Qi Liu, Enhong Chen, Yong Ge, and J. Leon Zhao. "Time series classification using multi-channels deep convolutional neural networks." In International conference on web-age information management, 2014; pp. 298-310. [DOI:10.1007/978-3-319-08010-9_33]
26. Lima, Clodoaldo AM, André LV Coelho, and Marcio Eisencraft. "Tackling EEG signal classification with least squares support vector machines: a sensitivity analysis study." Computers in Biology and Medicine 40, 2010; no. 8: 705-14. [DOI:10.1016/j.compbiomed.2010.06.005]
27. Morabito, Francesco Carlo, Maurizio Campolo, Cosimo Ieracitano, Javad Mohammad Ebadi, Lilla Bonanno, Alessia Bramanti, & et al. "Deep convolutional neural networks for classification of mild cognitive impaired and Alzheimer's disease patients from scalp EEG recordings." In 2016 IEEE 2nd International Forum on Research and Technologies for Society and Industry Leveraging a better tomorrow (RTSI), 2016; pp: 1-6. IEEE. [DOI:10.1109/RTSI.2016.7740576]
28. P.J.S. Colleen E. Jackson "Electroencephalography and event- related potentials as biomarkers of mild cognitive impairment and mild Alzheimer's disease," 2008, vol. 23, pp. 137-43.



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

mazrooei E, azarnoosh M, ghoshuni M, khalilzadeh M. Comparison of the Function of the Elman Neural Network and the Deep Neural Network for the Diagnosis of Mild Alzheimer's Disease. Shefaye Khatam 2021; 10 (1) :1-11
URL: http://shefayekhatam.ir/article-1-2267-fa.html

مزروعی الیاس، آذرنوش مهدی، قشونی مجید، خلیل زاده محمدمهدی. مقایسۀ عملکرد شبکۀ عصبی المن و شبکۀ عصبی عمیق جهت تشخیص بیماری آلزایمر خفیف. مجله علوم اعصاب شفای خاتم. 1400; 10 (1) :1-11

URL: http://shefayekhatam.ir/article-1-2267-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 1 - ( زمستان 1400 ) برگشت به فهرست نسخه ها
مجله علوم اعصاب شفای خاتم The Neuroscience Journal of Shefaye Khatam
Persian site map - English site map - Created in 0.05 seconds with 55 queries by YEKTAWEB 4660