تشخیص بیماری آلزایمر به وسیله سیگنال های مغزی و شبکه عصبی مصنوعی

تعداد پیش بینی نشده ای از مردم در معرض خطر آلزایمر هستند. این امر نیاز به تلاش بیشتر برای پیدا کردن اقدامات پیشگیرانه ی درمانی موثر دارد. جهت تشخیص بیماری آلزایمر AD به وسیله سیگنال های EEG با استفاده از شبکه عصبی مصنوعی؛ ابتدا داده های ثبت شده سیگنال EEG خام پیش پردازش می شود. از فیلتر میان گذر ۰.۵ تا ۴۵ هرتز و فیلتر میان نگذر جهت حذف برق شهر استفاده می گردد. از داده های پیش پردازش شده، ویژگی استخراج خواهد شد. این ویژگی ها مربوط به حوزه زمان و فرکانس هستند. تبدیل فوریه (FFT)، ویولت، آنالیز مولفه ی اول (PCA)، ویژگی های غیرخطی آنتروپی، بعد هم بستگی و بعد فرکتال از جمله ویژگی های پیشنهادی است. ویژگی های استخراج شده با تحلیل واریانس (ANOVA) یا آزمون تی (T) ارزیابی خواهد شد. ویژگی هایی که قابلیت تفکیک کلاس های مختلف را داشتند و در ANOVA یا آزمون T توزیع آماری بهتری دارند انتخاب می شوند. با توجه به قابلیت های شبکه عصبی مصنوعی (ANN) در شناسایی الگوها و دسته بندی اطلاعات که در طول یک پروسه یاد گیری تنظیم می شود، در این تحقیق از ANN برای تعیین نگاشت غیرخطی بین سیگنال های EEG و تشخیص بیماری آلزایمر AD استفاده خواهد شد. پایگاه داده به دو دسته مجموعه آموزش و آزمون تقسیم شدند. به عبارت دیگر ANN با ویژگی های سیگنال های ثبت شده به عنوان ورودی و بیمار یا سالم بودن به عنوان خروجی شبکه عصبی است و در نهایت خروجی ANN آموزش داده شده تشخیص بیمار یا سالم بودن داده ها است.

کلیدواژه ها:

بیماری آلزایمر ، الکتروانسفالوگرافی ، استخراج ویژگی ، شبکه عصبی مصنوعی