سمن فولادی، دکتر علی اصغر صفایی،
دوره ۹، شماره ۱ - ( زمستان ۱۳۹۹ )
چکیده
مقدمه: بیماری آلزایمر نوعی اختلال مغز است که به تدریج عملکرد شناختی و در نهایت توانایی انجام کارهای روزمره را دچار اختلال می‌کند. تشخیص زودهنگام این بیماری توجه بسیاری از پزشکان و محققان را به خود جلب کرده است و از روش های مختلفی برای شناسایی آن در مراحل اولیه استفاده شده است. ارزیابی شبکه های عصبی مصنوعی روشی کم هزینه و بدون اثرات جانبی است که برای تشخیص و پیشبینی بیماری آلزایمر در افراد دارای اختلال شناختی خفیف، بر پایۀ امواج الکتروانسفالوگرام استفاده می شود. مواد و روش ها: برای این مطالعۀ مروری نظام‌مند، کلمات کلیدی "آلزایمر"، "شبکه مصنوعی عصبی" و "EEG" در پایگاه داده های IEEE ، PubMed Central، Science Direct وGoogle Scholar، بین سال‌های ۱۳۸۸ تا ۱۳۹۸ جستجو شدند. سپس برای ارزیابی منتقدانه و بر اساس بیشترین ارتباط با موضوع مورد مطالعه، انتخاب شدند. یافته‌ها: نتیجۀ جستجو در این پایگاه های اطلاعاتی ۱۰۰ مقاله بود. به استثنای مقالات غیر مرتبط، فقط ۳۰ مقاله مورد مطالعه قرار گرفتند. در این مطالعه، انواع مختلفی از شبکه های عصبی مصنوعی شرح داده شد، سپس، صحت طبقه بندی به دست آمده توسط این روش‌ها بررسی شد. نتایج نشان داده است که برخی از روش‌ها، علیرغم اینکه در تحقیقات کمتر مورد استفاده قرار می گیرند یا شامل معماری ساده‌‌ای هستند، بالاترین صحت برای طبقه‌بندی را دارند. در بسیاری از مطالعات، شبکه های عصبی مصنوعی در مقایسه با سایر روش های طبقه بندی در نظر گرفته شده‌اند و نتایج برتری این روش ها را نشان می دهد. نتیجه‌گیری: از شبکه های عصبی مصنوعی می‌توان به عنوان ابزاری برای تشخیص زودهنگام بیماری آلزایمر استفاده کرد. این شبکه‌ها را می‌توان از لحاظ صحت طبقه‌بندی، سرعت، معماری و کاربرد متداول، مورد بررسی قرار داد. برخی از شبکه ها در طبقه بندی و درک داده ها دقیق هستند، اما کند هستند و یا به محیط های سخت افزاری/ نرم افزاری خاصی نیاز دارند. بعضی دیگر از شبکه‌ها با داشتن معماری ساده، نسبت به شبکه‌های پیچیده بهتر عمل می‌کنند. علاوه براین، تغییر در معماری شبکه های معمولی یا ترکیب آن ها با سایر روش ها، نتایج متفاوت قابل توجهی را به همراه داشت. افزایش صحت طبقه‌بندی این شبکه‌ها در تشخیص نقص شناختی خفیف، می تواند به پیش بینی مناسب بیماری آلزایمر کمک کند.
