چكيده فارسي :
مقدمه: بيماري آلزايمر نوعي اختلال مغز است كه به تدريج عملكرد شناختي و در نهايت توانايي انجام كارهاي روزمره را دچار اختلال مي‌كند. تشخيص زودهنگام اين بيماري توجه بسياري از پزشكان و محققان را به خود جلب كرده است و از روش هاي مختلفي براي شناسايي آن در مراحل اوليه استفاده شده است. ارزيابي شبكه هاي عصبي مصنوعي روشي كم هزينه و بدون اثرات جانبي است كه براي تشخيص و پيشبيني بيماري آلزايمر در افراد داراي اختلال شناختي خفيف، بر پايۀ امواج الكتروانسفالوگرام استفاده مي شود. مواد و روش ها: براي اين مطالعۀ مروري نظام‌مند، كلمات كليدي "آلزايمر"، "شبكه مصنوعي عصبي" و "EEG" در پايگاه داده هاي IEEE ، PubMed Central، Science Direct وGoogle Scholar، بين سال‌هاي 1388 تا 1398 جستجو شدند. سپس براي ارزيابي منتقدانه و بر اساس بيشترين ارتباط با موضوع مورد مطالعه، انتخاب شدند. يافته‌ها: نتيجۀ جستجو در اين پايگاه هاي اطلاعاتي 100 مقاله بود. به استثناي مقالات غير مرتبط، فقط 30 مقاله مورد مطالعه قرار گرفتند. در اين مطالعه، انواع مختلفي از شبكه هاي عصبي مصنوعي شرح داده شد، سپس، صحت طبقه بندي به دست آمده توسط اين روش‌ها بررسي شد. نتايج نشان داده است كه برخي از روش‌ها، عليرغم اينكه در تحقيقات كمتر مورد استفاده قرار مي گيرند يا شامل معماري ساده‌‌اي هستند، بالاترين صحت براي طبقه‌بندي را دارند. در بسياري از مطالعات، شبكه هاي عصبي مصنوعي در مقايسه با ساير روش هاي طبقه بندي در نظر گرفته شده‌اند و نتايج برتري اين روش ها را نشان مي دهد. نتيجه‌گيري: از شبكه هاي عصبي مصنوعي مي‌توان به عنوان ابزاري براي تشخيص زودهنگام بيماري آلزايمر استفاده كرد. اين شبكه‌ها را مي‌توان از لحاظ صحت طبقه‌بندي، سرعت، معماري و كاربرد متداول، مورد بررسي قرار داد. برخي از شبكه ها در طبقه بندي و درك داده ها دقيق هستند، اما كند هستند و يا به محيط هاي سخت افزاري/ نرم افزاري خاصي نياز دارند. بعضي ديگر از شبكه‌ها با داشتن معماري ساده، نسبت به شبكه‌هاي پيچيده بهتر عمل مي‌كنند. علاوه براين، تغيير در معماري شبكه هاي معمولي يا تركيب آن ها با ساير روش ها، نتايج متفاوت قابل توجهي را به همراه داشت. افزايش صحت طبقه‌بندي اين شبكه‌ها در تشخيص نقص شناختي خفيف، مي تواند به پيش بيني مناسب بيماري آلزايمر كمك كند.
چكيده لاتين :
Introduction: Alzheimer’s disease is a brain disorder that gradually des troys 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 low-cos t
with no side effect method that is used for diagnosing and predicting Alzheimer’s disease in
subjects with mild cognitive impairment based on electroencephalogram signals. Materials
and Methods: for this sys tematic review, keywords Alzheimer’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 mos t relevance to the subject under s tudy. Results: The search result in these databases
was 100 articles. Excluding unrelated articles, only 30 articles were s tudied. In the present
study, different types of artificial neural networks were described, Next, the accuracy of the
classification obtained by these methods was inves tigated. The results have shown that some
methods, despite being less used in research or have simple architecture, have the highes t
accuracy for classification. In many s tudies, 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’s disease. This approach can be evaluated for its classification accuracy, speed,
architecture, and common use. Some networks are accurate at classifying and unders tanding
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’s disease appropriately
