مقايسۀ عملكرد شبكۀ عصبي المن و شبكۀ عصبي عميق جهت تشخيص بيماري آلزايمر خفيف

مقدمه: هدف اصلي اين مطالعه ارائه روشي براي تشخيص زودهنگام بيماري آلزايمر است. اين بيماري با از بين بردن سلول هاي عصبي در سيستم عصبي و كاهش ارتباطات و فعل و انفعالات عصبي، عملكرد حافظه را كاهش مي دهد. مواد و روش‌ها: سطح اين بيماري بايد با توجه به ارتباط اين بيماري با ويژگي‌هاي مختلف در سيگنال مغزي و تصاوير پزشكي تشخيص داده مي‌شود. ابتدا با پيش پردازش مناسب، خواص غير خطي مانند نمودار فاز، بعد همبستگي، آنتروپي و نماي لياپانوف استخراج شده و جهت طبقه‌بندي از شبكه عصبي المن استفاده شده است. سپس صحت عملكرد شبكه عصبي المن با شبكه عصبي كانالوشني مقايسه شده است. استفاده از روش‌هاي يادگيري عميق از جمله شبكه عصبي كانالوشني، مي‌تواند نتايج مناسب‌تر و دقيق‌تري در ميان ساير روش‌هاي طبقه‌بندي داشته باشد. يافته‌ها: در حالت استفاده از دو شبكه CNN و يك شبكه MLP صحت نتايج در افراد سالم 98 درصد و در افراد بيمار خفيف 97/7 درصد و در افراد بيمار شديد 97/5 درصد بدست آمده است. در حالت استفاده از يك شبكه CNN با تركيب ويژگي‌ها سيگنال مغزي و تصاوير پزشكي در حالت تحريك صحت نتايج در افراد سالم 95 درصد و در بيماران خفيف 92/5 درصد و در بيماران شديد 97/5 درصد مي‌باشد، در حالت يادآوري صحت نتايج در افراد سالم 75 درصد و در بيماران خفيف 72/5 درصد و در بيماران شديد 87/5 درصد است. صحت نتايج در شبكه عصبي Elman با تركيب ويژگي‌هاي سيگنال مغزي و تصاوير پزشكي 94/4 درصد و در حالت بدون تركيب ويژگي‌ها، صحت نتايج 92/2 درصد شده است. نتيجه‌گيري: در بين روش‌هاي پردازشي ارائه شده جهت دسته‌بندي سه كلاس سالم، بيمار خفيف و بيمار شديد، روش تركيب ويژگي‌هاي سيگنال مغزي و تصاوير پزشكي موجب افزايش صحت نتايج طبقه‌بندي كننده CNN و Elman شده است.