ارائه یک روش تشخیص بیماری آلزایمر با استفاده از الگوریتم یادگیری عاطفی مغز و ویژگی موجک

آلزایمر ازجمله بیماری‌های شایع قرن 21 است و به سبب آن سلول‌های مغزی بیمار به‌تدریج از بین رفته و بیمار فوت می‌کند. در اکثر مواقع هنگامی این بیماری تشخیص داده می‌شود که علائم آن بروز پیداکرده و کار چندانی برای بیمار نمی‌توان انجام داد. لذا استفاده از الگوریتم‌های یادگیری برای تشخیص بیماری بسیار مفید است. به همین دلیل تاکنون الگوریتم‌های متفاوتی ازجمله نزدیک‌ترین همسایه، آنالیز تشخیص خطی و ماشین بردار پشتیبان برای تشخیص این بیماری استفاده ‌شده است. این روش‌ها دارای نقاط ضعفی ازجمله صحت پایین، پیچیدگی محاسباتی بالا و یا زمان اجرای زیادی هستند. بنابراین در این تحقیق، روشی مبتنی بر یادگیری عاطفی مغز و ویژگی موجک استفاده ‌شده است. ابتدا ماده سفید و خاکستری مغز توسط روش آستانه گیری تفکیک شدند، در مرحله دوم ویژگی‌های بافت تصاویر توسط الگوریتم تبدیل موجک استخراج گردید، مرحله سوم کاهش بعد روی ویژگی‌های استخراج ‌شده توسط آنالیز مولفه‌های اصلی انجام ‌گرفته و درنهایت با استفاده از دو الگوریتم یادگیری عاطفی مغز و الگوریتم یادگیری عاطفی مغز مبتنی بر تشخیص الگو طبقه‌بندی صورت گرفته است. نتایج نشان دادند که زمان اجرای الگوریتم یادگیری عاطفی مغز 0.22 ثانیه و نیز الگوریتم یادگیری عاطفی مغز با صحت 95 درصد و الگوریتم یادگیری عاطفی مغز مبتنی بر تشخیص الگو با صحت 97 درصد بهتر از ماشین بردار پشتیبان با صحت 83 درصد عمل کرده‌اند.

a method for diagnosing of alzheimer’s disease using the brain emotional learning algorithm and wavelet feature

alzheimer’s disease is one of the most common diseases in the 21st century. alzheimer’s patients lose their brain cells gradually and eventually die. it is often diagnosed when the symptoms appear and little work can be done for the patient. using of learning algorithms is useful for diagnosing of alzheimer. previous studies used support vector machine, knearest neighbor, and linear discriminant analysis in order to diagnose the disease. these methods have some problems such as low accuracy, high computation complexity or high execute time. therefore in this research, a method based on brain emotional learning and wavelet feature is used. first, the white and gray matters of the brain were separated by a threshold selection method. second, the texture properties of the images were extracted by wavelet transform algorithm. third, the dimensional reduction is done on the properties extracted by principal component analysis. finally, the features were classified using brain emotional learning algorithm and brain emotional learning based pattern recognizer. results showed that run time of brain emotional learning algorithm is 0.22 second and brain emotional learning algorithm with 95% accuracy and brain emotional learning based pattern recognizer with 97% accuracy are better than support vector machine with 83% accuracy.