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 ۹۸ درصد و در افراد بیمار خفیف ۹۷/۷ درصد و در افراد بیمار شدید ۹۷/۵ 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 ۹۵ درصد و در بیماران خفیف ۹۲/۵ درصد و در بیماران شدید ۹۷/۵ درصد میباشد، در حالت یادآوری صحت نتایج در افراد سالم ۷۵ درصد و در بیماران خفیف ۷۲/۵ درصد و در بیماران شدید ۸۷/۵ درصد است. صحت نتایج در شبکه عصبی Elman با ترکیب ویژگیهای سیگنال مغزی و تصاویر پزشکی ۹۴/۴ درصد و در حالت بدون ترکیب ویژگیها، صحت نتایج ۹۲/۲ 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.