بررسی و مقایسه طبقه بندی کننده های مختلف سیگنال EEG جهت تشخیص بیماری پارکینسون
- سال انتشار: 1398
- محل انتشار: اولین کنفرانس ملی پژوهشهای نوین در مهندسی پزشکی
- کد COI اختصاصی: MRME01_008
- زبان مقاله: فارسی
- تعداد مشاهده: 890
نویسندگان
دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران
دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران
دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران
دانشجوی کارشناسی، گروه علوم ورزشی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران
چکیده
بیماری پارکینسون (PD) شایع ترین نوع بیماری مخرب عصبی به حساب می آید. حدود 1 تا 1/5 درصد از مردم جهان به آن مبتلا هستند. در این مقاله، به بررسی تشخیص بیماری پارکینسون با استفاده از سیگنال های EEG پرداخت می شود. سیگنال EEG در دو حوزه زمان و فرکانس تجزیه و تحلیل شده و همچنین ویژگی های مختلف از هر موج EEG استخراج شده است. در نهایت توسط چهار ططبقه بند ماشین بردار پشتیبان با سه کرنل خی، RBF و Polynomla، نزدیکترین k همسایه، جنگل تصادفی و شبکه عصبی - فازی تطبیقی تشخیص داده می شود؛ همچنین از سه معیار ارزیابی صحت، حساسیت و اختصاصی بودن استفاده گردید. برای ارزیابی مدل ها از روش اعتبار سنجی K-fold استفاده کرده ایم. نتایج پیاده سازی روش پیشنهادی بر روی دادگانن شامل سیگنال EEG مربوط به 6 نفر (3 نفر بیمار پارکینسونی و 3 نفر افراد سالم) است. در نهایت مشاهده شد که استفاده از ویژگی های آماری و غیرخطی موجب بهبود عملکرد تشخیص بیماری پارکینسون می شود. همچنین طبقه بندهای ماشین بردار پشتیبان با کرنل poly و سیستم استنتاج فازی - عصبی بهترین عملکرد را جهت تشخیص بیماری به ترتیب با دقت 91.27 و 87، 87 نشان می دهد.کلیدواژه ها
بیماری پارکینسون، سیگنال الکتروانسفالوگرام (EEG)، شبکه عصبی - فازی تطبیقی، ماشین بردار پشتیبان، جنگل تصادفی و نزدیک ترین k همسایهمقالات مرتبط جدید
- توسعه مدل های یادگیری چندعاملی برای هماهنگی خودمختار در سیستم های سایبری-فیزیکی با بهره گیری از تقویت یادگیری عمیق چندعاملی
- پیش بینی تطبیقی احساسات در گفتار چند زبانه با استفاده از مدل های ترنسفورمر چندوجهی و یادگیری انتقالی
- معماری های اصلی شبکه های عصبی عمیق و مقایسه آنها
- Beyond Counsel: The Role of Artificial Intelligence in Transforming Legal Practice and Justice Access
- معماری بهینه برای شبکه حسگر بیسیم با بیشترین کاهش انرژی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.