پیش بینی بیماری آلزایمر با استفاده از شبکه عصبی عمیق و الگوریتم بهینه سازی ازدحام ذرات

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 160

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JHBMI-11-1_005

تاریخ نمایه سازی: 27 شهریور 1403

چکیده مقاله:

مقدمه:  بیماری آلزایمر یک بیماری برگشت ناپذیر عصبی است که با اختلالات فکری، رفتاری و حافظه مشخص می­شود. پیش­بینی اولیه آن یک امر چالش برانگیز است. هدف از این مطالعه تعیین عوامل مرتبط مبتلا به بیماری آلزایمر است. روش کار: این مطالعه با استفاده از داده­های جمع آوری شده از پروژه OASIS که توسط مرکز تحقیقات دانشگاه واشنگتن در دسترس قرار گرفته، چارچوبی برای پیش­بینی آلزایمر پیشنهاد می­کند. در این مطالعه از شبکه عصبی عمیق برای پیش­بینی استفاده می­شود. برای انتخاب ویژگی­های مناسب، الگوریتم بهینه­ساز ازدحام ذرات به کار رفته است. ترکیب این دو روش باعث افزایش دقت روش پیش­بینی شده است. این روش با الگوریتم­های مختلف یادگیری ماشین که دقت خوبی در پیش­بینی بیماری آلزایمر داشته­اند، مقایسه شده است. یافته ها: نتایج نشان می­دهد دقت روش پیشنهادی با ویژگی کمتر، بالاتر است. از بین ۱۱ ویژگی در این مجموعه داده، شش ویژگی سن، وضعیت اقتصادی-اجتماعی، نمره ارزیابی صحت آزمون کوتاه وضعیت ذهنی، رتبه­بندی سطح کارکرد حافظه، حجم  برآورد شده  داخل جمجمه و حجم نرمال شده کل مغز تاثیر زیادی در پیش­بینی بیماری را دارد که در بین این شش ویژگی، رتبه­بندی سطح کارکرد حافظه اهمیت بیشتری دارد. نتیجه گیری: مطالعه حاضر به بررسی عوامل موثر و پیش­بینی بیماری آلزایمر پرداخته است. تشخیص زودهنگام بیماری آلزایمر، باعث ارائه خدمات تشخیصی و درمانی مناسب و همچنین بهبود کیفیت زندگی بیماران می­شود. روش ارائه شده در این مطالعه با الگوریتم­های مختلف یادگیری ماشین که دقت خوبی در پیش­بینی بیماری آلزایمر داشته­اند، مقایسه شده است. نتایج نشان می­دهد دقت روش پیشنهادی با ویژگی کمتر، بالاتر است.

نویسندگان

مه لقا افراسیابی

Assistant Professor, PhD in Computer Engineering, Department of Computer Engineering, Hamedan University of Technology, Hamedan, Iran

احمد موحدی

M.Sc. Student in Computer Engineering, Department of Computer Engineering, Hamedan University of Technology, Hamedan, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • . Castellani RJ, Rolston RK, Smith MA. Alzheimer disease. Dis ...
  • . Mitchell AJ. The Mini-Mental State Examination (MMSE): An Update ...
  • . Veitch DP, Weiner MW, Aisen PS, Beckett LA, Cairns ...
  • . Sowan B, Eshtay M, Dahal K, Qattous H, Zhang ...
  • . Salehi AW, Baglat P, Sharma BB, Gupta G, Upadhya ...
  • . Nawaz A, Anwar SM, Liaqat R, Iqbal J, Bagci ...
  • . Ramírez J, Górriz JM, Salas-Gonzalez D, Romero A, López ...
  • . Naskath J, Sivakamasundari G, Begum AA. A study on ...
  • . Patel S. A comprehensive analysis of Convolutional Neural Network ...
  • . Popescu MC, Balas VE, Perescu-Popescu L, Mastorakis N. Multilayer ...
  • . Jain M, Saihjpal V, Singh N, Singh SB. An ...
  • . Blagus R, Lusa L. SMOTE for high-dimensional class-imbalanced data. ...
  • نمایش کامل مراجع