تشخیص بیماری آلزایمر با استفاده از سیگنال‌های مغزی و شبکه‌های عصبی مصنوعی

مقدمه: تعداد غیرمنتظره‌ای از افراد در معرض خطر ابتلا به بیماری آلزایمر قرار دارند. بنابراین، تلاش برای یافتن اقدامات پیشگیرانه موثر، شدیداً نیاز است. مواد و روش‌ها: برای تشخیص بیماری آلزایمر از طریق سیگنال‌های eeg با استفاده از شبکه عصبی مصنوعی، اولین مرحله شامل پیش‌پردازش داده‌های خام ثبت شده eeg است. این پیش‌پردازش شامل استفاده از فیلتر میانگذر 0/5 تا 45 هرتز برای حذف تداخل سیگنال‌های الکتریکی برق شهر است. پس از  پیش‌پردازش داده، ویژگی استخراج خواهد شد. این ویژگی‌ها مربوط به حوزه‌های زمان و فرکانس است. تبدیل فوریه، آنالیز موجک، تحلیل مولفه اول، ویژگی‌های غیرخطی آنتروپی، بعد همبستگی و بعد فرکتال از جمله ویژگی‌های پیشنهادی هستند. ویژگی‌های استخراج شده با آنالیز واریانس یا آزمون تی مورد ارزیابی قرار خواهند گرفت. ویژگی‌هایی که توانایی تفکیک طبقات مختلف را داشتند و توزیع آماری بهتری در آنالیز واریانس یا آزمون t داشتند انتخاب می‌شوند. یافته‌ها: با توجه به قابلیت‌های شبکه عصبی مصنوعی در شناسایی الگوهای مختلف و دسته‌بندی اطلاعاتی که طی یک فرآیند یادگیری تنظیم می‌شود، در این تحقیق از شبکه عصبی مصنوعی برای تعیین نقشه‌برداری غیرخطی بین سیگنال‌های eeg و تشخیص بیماری آلزایمر استفاده می‌شود. پایگاه داده به دو دسته آموزشی و آزمایشی تقسیم شد. به عبارت دیگر شبکه عصبی مصنوعی با مشخصات سیگنال‌های ثبت شده به عنوان ورودی، بیمار یا سالم به عنوان خروجی شبکه عصبی و در نهایت خروجی شبکه عصبی مصنوعی آموزش دیده تشخیص داده‌های بیمار یا سالم است. در مرحله نهایی، عملکرد شبکه عصبی توسعه یافته مورد ارزیابی و مقایسه قرار خواهد گرفت. نتیجه‌گیری: استفاده از سیگنال‌های eeg و شبکه‌های عصبی مصنوعی می‌تواند روشی نوین برای تشخیص بیماری آلزایمر در مراحل اولیه آن باشد.

alzheimer's disease diagnosis using brain signals and artificial neural networks

introduction: an unexpected number of people are at risk of alzheimer’s disease. therefore, efforts to find effective preventive measures require to be intensified. materials and methods: to diagnose alzheimer’s disease through eeg signals using an artificial neural network, the first step involves pre-processing the recorded raw eeg data. this pre-processing includes the application of a 0.5 to 45 hz bandpass filter to eliminate interference from the city’s electrical signals. from the pre-processed data, the feature will be extracted. these features are related to time and frequency domains. fourier transform, wavelet, first component analysis, nonlinear features of entropy, correlation dimension, and fractal dimension are among the suggested features. the extracted features will be evaluated by analysis of variance or t-test. the features that had the ability to separate different classes and have better statistical distribution in variance analysis or t-test are selected. results: according to the capabilities of the artificial neural network in identifying different patterns and categorizing information that is set during a learning process, in this research, the artificial neural network will be used to determine the nonlinear mapping between eeg signals and the diagnosis of alzheimer’s disease. the database was divided into two categories: training and testing. in other words, the artificial neural network with the characteristics of the recorded signals as input and sick or healthy as the output of the neural network, and finally the the output of the trained artificial neural network is the diagnosis of sick or healthy data. in the final stage, the performance of the developed neural network will be evaluated and compared. conclusion: utilizing both eeg signals and artificial neural networks could represent a novel method for the diagnosis of alzheimer’s disease in its early stages.