ارائه يك روش تشخيص بيماري آلزايمر با استفاده از الگوريتم يادگيري عاطفي مغز و ويژگي موجك

A Method for Diagnosing of Alzheimer's Disease Using the Brain Emotional Learning Algorithm and Wavelet Feature

آلزايمر ازجمله بيماري‌هاي شايع قرن 21 است و به سبب آن سلول‌هاي مغزي بيمار به‌تدريج از بين رفته و بيمار فوت مي‌كند. در اكثر مواقع هنگامي اين بيماري تشخيص داده مي‌شود كه علائم آن بروز پيداكرده و كار چنداني براي بيمار نمي‌توان انجام داد. لذا استفاده از الگوريتم‌هاي يادگيري براي تشخيص بيماري بسيار مفيد است. به همين دليل تاكنون الگوريتم‌هاي متفاوتي ازجمله نزديك‌ترين همسايه، آناليز تشخيص خطي و ماشين بردار پشتيبان براي تشخيص اين بيماري استفاده ‌شده است. اين روش‌ها داراي نقاط ضعفي ازجمله صحت پايين، پيچيدگي محاسباتي بالا و يا زمان اجراي زيادي هستند. بنابراين در اين تحقيق، روشي مبتني بر يادگيري عاطفي مغز و ويژگي موجك استفاده ‌شده است. ابتدا ماده سفيد و خاكستري مغز توسط روش آستانه­گيري تفكيك شدند، در مرحله دوم ويژگي‌هاي بافت تصاوير توسط الگوريتم تبديل موجك استخراج گرديد، مرحله سوم كاهش بعد روي ويژگي‌هاي استخراج ‌شده توسط آناليز مؤلفه‌هاي اصلي انجام ‌گرفته و درنهايت با استفاده از دو الگوريتم يادگيري عاطفي مغز و الگوريتم يادگيري عاطفي مغز مبتني بر تشخيص الگو طبقه‌بندي صورت گرفته است. نتايج نشان دادند كه زمان اجراي الگوريتم يادگيري عاطفي مغز 0/22 ثانيه و نيز الگوريتم يادگيري عاطفي مغز با صحت 95 درصد و الگوريتم يادگيري عاطفي مغز مبتني بر تشخيص الگو با صحت 97 درصد بهتر از ماشين بردار پشتيبان با صحت 83 درصد عمل كرده‌اند.

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, K-Nearest 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.