[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::
::
::
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 11، شماره 3 - ( تابستان 1402 ) ::
دوره 11 شماره 3 صفحات 80-68 برگشت به فهرست نسخه ها
تشخیص بیماری آلزایمر با استفاده از سیگنال‌های مغزی و شبکه‌های عصبی مصنوعی
حسین خزاعی ، الیاس مزروعی راد*
گروه مهندسی پزشکی، موسسه آموزش عالی خاوران، مشهد، ایران ، elias_mazrooei@yahoo.com
چکیده:   (1002 مشاهده)
مقدمه: تعداد غیرمنتظره‌ای از افراد در معرض خطر ابتلا به بیماری آلزایمر قرار دارند. بنابراین، تلاش برای یافتن اقدامات پیشگیرانه موثر، شدیداً نیاز است. مواد و روش‌ها: برای تشخیص بیماری آلزایمر از طریق سیگنال‌های EEG با استفاده از شبکه عصبی مصنوعی، اولین مرحله شامل پیش‌پردازش داده‌های خام ثبت شده EEG است. این پیش‌پردازش شامل استفاده از فیلتر میانگذر 0/5 تا 45 هرتز برای حذف تداخل سیگنال‌های الکتریکی برق شهر است. پس از  پیش‌پردازش داده، ویژگی استخراج خواهد شد. این ویژگی‌ها مربوط به حوزه‌های زمان و فرکانس است. تبدیل فوریه، آنالیز موجک، تحلیل مولفه اول، ویژگی‌های غیرخطی آنتروپی، بعد همبستگی و بعد فرکتال از جمله ویژگی‌های پیشنهادی هستند. ویژگی‌های استخراج شده با آنالیز واریانس یا آزمون تی مورد ارزیابی قرار خواهند گرفت. ویژگی‌هایی که توانایی تفکیک طبقات مختلف را داشتند و توزیع آماری بهتری در آنالیز واریانس یا آزمون t داشتند انتخاب می‌شوند. یافته‌ها: با توجه به قابلیت‌های شبکه عصبی مصنوعی در شناسایی الگوهای مختلف و دسته‌بندی اطلاعاتی که طی یک فرآیند یادگیری تنظیم می‌شود، در این تحقیق از شبکه عصبی مصنوعی برای تعیین نقشه‌برداری غیرخطی بین سیگنال‌های EEG و تشخیص بیماری آلزایمر استفاده می‌شود. پایگاه داده به دو دسته آموزشی و آزمایشی تقسیم شد. به عبارت دیگر شبکه عصبی مصنوعی با مشخصات سیگنال‌های ثبت شده به عنوان ورودی، بیمار یا سالم به عنوان خروجی شبکه عصبی و در نهایت خروجی شبکه عصبی مصنوعی آموزش دیده تشخیص داده‌های بیمار یا سالم است. در مرحله نهایی، عملکرد شبکه عصبی توسعه یافته مورد ارزیابی و مقایسه قرار خواهد گرفت. نتیجه‌گیری: استفاده از سیگنال‌های EEG و شبکه‌های عصبی مصنوعی می‌تواند روشی نوین برای تشخیص بیماری آلزایمر در مراحل اولیه آن باشد.
 
واژه‌های کلیدی: بیماری آلزایمر، الکتروانسفالوگرافی، تشخیص
متن کامل [PDF 2024 kb]   (563 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: نوروفيزيولوژي
فهرست منابع
1. Acharya UR, Bhat S, Faust O, Adeli H, Chua EC-P, Lim WJE, et al. Nonlinear dynamics measures for automated EEG-based sleep stage detection. European neurology. 2015; 74(5-6): 268-87. [DOI:10.1159/000441975]
2. Babiloni C, Del Percio C, Lizio R, Noce G, Lopez S, Soricelli A, et al. Abnormalities of resting state cortical EEG rhythms in subjects with mild cognitive impairment due to Alzheimer's and Lewy body diseases. Journal of Alzheimer's Disease. 2018; 62(1): 247-68. [DOI:10.3233/JAD-170703]
3. Chapman RM, Nowlis GH, McCrary JW, Chapman JA, Sandoval TC, Guillily MD, et al. Brain event-related potentials: diagnosing early-stage Alzheimer's disease. Neurobiology of aging. 2007; 28(2): 194-201. [DOI:10.1016/j.neurobiolaging.2005.12.008]
4. Tjernberg LO, Callaway DJ, Tjernberg A, Hahne S, Lilliehöök C, Terenius L, et al. A molecular model of Alzheimer amyloid β-peptide fibril formation. Journal of Biological Chemistry. 1999; 274(18): 12619-25. [DOI:10.1074/jbc.274.18.12619]
5. Chowdhury RH, Reaz MB, Ali MABM, Bakar AA, Chellappan K, Chang TG. Surface electromyography signal processing and classification techniques. Sensors. 2013; 13(9): 12431-66. [DOI:10.3390/s130912431]
6. Cichocki A, Shishkin SL, Musha T, Leonowicz Z, Asada T, Kurachi T. EEG filtering based on blind source separation (BSS) for early detection of Alzheimer's disease. Clinical Neurophysiology. 2005; 116(3): 729-37. [DOI:10.1016/j.clinph.2004.09.017]
7. Petrella JR, Coleman RE, Doraiswamy PM. Neuroimaging and early diagnosis of Alzheimer disease: a look to the future. Radiology. 2003; 226(2): 315-36. [DOI:10.1148/radiol.2262011600]
8. Patel T, Polikar R, Davatzikos C, Clark CM, editors. EEG and MRI data fusion for early diagnosis of Alzheimer's disease. 2008 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society; 2008: IEEE. [DOI:10.1109/IEMBS.2008.4649517]
9. Chang C-C, Lin C-J. LIBSVM: a library for support vector machines. ACM transactions on intelligent systems and technology (TIST). 2011;2(3):1-27. [DOI:10.1145/1961189.1961199]
10. Chapman RM, Nowlis GH, McCrary JW, Chapman JA, Sandoval TC, Guillily MD, et al. Brain event-related potentials: diagnosing early-stage Alzheimer's disease. Neurobiology of aging. 2007;28(2):194-201. [DOI:10.1016/j.neurobiolaging.2005.12.008]
11. Cho S, Kim B, Park E, Kim J, Whang W, Han S, et al., editors. Automatic recognition of Alzheimer's disease with single channel EEG recording. Proceedings of the 25th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (IEEE Cat No 03CH37439); 2003: IEEE.
12. Chowdhury RH, Reaz MB, Ali MABM, Bakar AA, Chellappan K, Chang TG. Surface electromyography signal processing and classification techniques. Sensors. 2013; 13(9): 12431-66. [DOI:10.3390/s130912431]
13. Naibo Wang, Jinghua Chen, Hui Xiao,Lei Wu, Han Jiang ,Yueping Zhou. Application of artificial neural network model in diagnosis of Alzheimer's disease. Clinical Neurophysiology. BMC Neurology. 2019; 5(1): 152-158.
14. Craik A, He Y, Contreras-Vidal JL. Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of neural engineering. 2019;16(3):031001. [DOI:10.1088/1741-2552/ab0ab5]
15. Czigler B, Csikós D, Hidasi Z, Gaál ZA, Csibri É, Kiss É, et al. Quantitative EEG in early Alzheimer's disease patients-power spectrum and complexity features. International Journal of Psychophysiology. 2008; 68(1): 75-80. [DOI:10.1016/j.ijpsycho.2007.11.002]
16. Duyckaerts C, Potier M-C, Delatour B. Alzheimer disease models and human neuropathology: similarities and differences. Acta neuropathologica. 2008; 115(1): 5-38. [DOI:10.1007/s00401-007-0312-8]



XML   English Abstract   Print


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

khazaei H, Mazrooei Rad E. Alzheimer's Disease Diagnosis Using Brain Signals and Artificial Neural Networks. Shefaye Khatam 2023; 11 (3) :68-80
URL: http://shefayekhatam.ir/article-1-2364-fa.html

خزاعی حسین، مزروعی راد الیاس. تشخیص بیماری آلزایمر با استفاده از سیگنال‌های مغزی و شبکه‌های عصبی مصنوعی. مجله علوم اعصاب شفای خاتم. 1402; 11 (3) :68-80

URL: http://shefayekhatam.ir/article-1-2364-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 3 - ( تابستان 1402 ) برگشت به فهرست نسخه ها
مجله علوم اعصاب شفای خاتم The Neuroscience Journal of Shefaye Khatam
Persian site map - English site map - Created in 0.06 seconds with 53 queries by YEKTAWEB 4657