مقایسۀ عملکرد شبکۀ عصبی المن و شبکۀ عصبی عمیق جهت تشخیص بیماری آلزایمر خفیف

مقدمه: هدف اصلی این مطالعه ارائه روشی برای تشخیص زودهنگام بیماری آلزایمر است. این بیماری با از بین بردن سلول های عصبی در سیستم عصبی و کاهش ارتباطات و فعل و انفعالات عصبی، عملکرد حافظه را کاهش می دهد. مواد و روش‌ها: سطح این بیماری باید با توجه به ارتباط این بیماری با ویژگی‌های مختلف در سیگنال مغزی و تصاویر پزشکی تشخیص داده می‌شود. ابتدا با پیش پردازش مناسب، خواص غیر خطی مانند نمودار فاز، بعد همبستگی، آنتروپی و نمای لیاپانوف استخراج شده و جهت طبقه‌بندی از شبکه عصبی المن استفاده شده است. سپس صحت عملکرد شبکه عصبی المن با شبکه عصبی کانالوشنی مقایسه شده است. استفاده از روش‌های یادگیری عمیق از جمله شبکه عصبی کانالوشنی، می‌تواند نتایج مناسب‌تر و دقیق‌تری در میان سایر روش‌های طبقه‌بندی داشته باشد. یافته‌ها: در حالت استفاده از دو شبکه cnn و یک شبکه mlp صحت نتایج در افراد سالم 98 درصد و در افراد بیمار خفیف 97/7 درصد و در افراد بیمار شدید 97/5 درصد بدست آمده است. در حالت استفاده از یک شبکه cnn با ترکیب ویژگی‌ها سیگنال مغزی و تصاویر پزشکی در حالت تحریک صحت نتایج در افراد سالم 95 درصد و در بیماران خفیف 92/5 درصد و در بیماران شدید 97/5 درصد می‌باشد، در حالت یادآوری صحت نتایج در افراد سالم 75 درصد و در بیماران خفیف 72/5 درصد و در بیماران شدید 87/5 درصد است. صحت نتایج در شبکه عصبی elman با ترکیب ویژگی‌های سیگنال مغزی و تصاویر پزشکی 94/4 درصد و در حالت بدون ترکیب ویژگی‌ها، صحت نتایج 92/2 درصد شده است. نتیجه‌گیری: در بین روش‌های پردازشی ارائه شده جهت دسته‌بندی سه کلاس سالم، بیمار خفیف و بیمار شدید، روش ترکیب ویژگی‌های سیگنال مغزی و تصاویر پزشکی موجب افزایش صحت نتایج طبقه‌بندی کننده cnn و elman شده است.

Comparison of the Function of the Elman Neural Network and the Deep Neural Network for the Diagnosis of Mild Alzheimer's Disease

Introduction: The main purpose of this study is to provide a method for early diagnosis of Alzheimer #39;s disease. The disease reduces memory function by destroying nerve cells in the nervous system and reducing nerve connections and interactions. Materials and Methods: The level of the disease should be diagnosed according to the association of the disease with various features in the brain signal and medical images. First, with proper preprocessing, nonlinear properties such as phase diagram, correlation dimension, entropy and Lyapunov exponent are extracted and Elman neural network is used for classification. Then, the correctness of the function of Elman neural network is compared with channel neural network. The use of deep learning methods, including channel neural network, can have more appropriate and accurate results among other classification methods. Results: In the case of using two CNN networks and one MLP network, the accuracy of the results was %98 in healthy individuals, %97.7 in mild patients and %97.5 in severely ill patients. In the case of using a CNN network with a combination of features, brain signal and medical images, in the case of stimulation, the accuracy of the results is %95 in healthy individuals, %92.5 in mild patients and %97.5 in severe patients. As a recall, the accuracy of the results is %75 in healthy individuals, %72.5 in mild patients and %87.5 in severe patients. The accuracy of the results in Elman neural network with the combination of brain signal features and medical images is %94.4 and in the case without combination of features, the accuracy of the results is %92.2. Conclusion: Among the processing methods proposed to classify the three classes of healthy, mild patient and severe patient, the method of combining brain signal characteristics and medical images has increased the accuracy of CNN and Elman classifier results.