روش‌های تشخیص افتراقی اختلالات شناختی با استفاده از شبکه‌های عصبی مصنوعی مبتنی بر سیگنال‌های الکتروانسفالوگرام: یک مرور نظام مند

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 پیش بینی 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 1388 تا 1398 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 100 مقاله بود. به استثنای مقالات غیر مرتبط، فقط 30 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، علی رغم 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.

Differential Diagnostic Methods for Cognitive Disorders Using Neural Networks Based on Electroencephalogram Signals: A Systematic Review

Introduction: Alzheimer #39;s disease is a brain disorder that gradually destroys cognitive function and eventually the ability to carry out daily routine tasks. Early diagnosis of this disease has attracted the attention of many physicians and scholars, and several methods have been used to detect it in early phases. Evaluation of artificial neural networks is lowcost with no side effect method that is used for diagnosing and predicting Alzheimer #39;s disease in subjects with mild cognitive impairment based on electroencephalogram signals. Materials and Methods: for this systematic review, keywords Alzheimer #39;s , Artificial Neural Network and EEG were searched in IEEE, PubMed central, ScienceDirect, and Google Scholar databases between 2000 to 2019. Then, they were selected for critical evaluation based on the most relevance to the subject under study. Results: The search result in these databases was 100 articles. Excluding unrelated articles, only 30 articles were studied. In the present study, different types of artificial neural networks were described, Next, the accuracy of the classification obtained by these methods was investigated. The results have shown that some methods, despite being less used in research or have simple architecture, have the highest accuracy for classification. In many studies, artificial neural networks have also been considered in comparison with other classification methods and the results show the superiority of these methods. Conclusion: Artificial neural networks can be used as a tool for early detection of Alzheimer #39;s disease. This approach can be evaluated for its classification accuracy, speed, architecture, and common use. Some networks are accurate at classifying and understanding data, but are slow or require specific hardware/software environments. Some other networks work better with simple architectures than complex networks. Furthermore, changing the architecture of conventional networks or combining them with other methods resulted in significantly different results. Increasing accuracy of classification of these networks in the diagnosis of mild cognitive impairment could help to predict Alzheimer #39;s disease appropriately.