تشخیص بیماری آلزایمر با استفاده از سیگنال های مغزی و شبکه های عصبی مصنوعی
تعداد غیرمنتظره ای از افراد در معرض خطر ابتلا به بیماری آلزایمر قرار دارند. بنابراین، تلاش برای یافتن اقدامات پیشگیرانه موثر، شدیدا نیاز است.
برای تشخیص بیماری آلزایمر از طریق سیگنال های EEG با استفاده از شبکه عصبی مصنوعی، اولین مرحله شامل پیش پردازش داده های خام ثبت شده EEG است. این پیش پردازش شامل استفاده از فیلتر میانگذر 0/5 تا 45 هرتز برای حذف تداخل سیگنال های الکتریکی برق شهر است. پس از پیش پردازش داده، ویژگی استخراج خواهد شد. این ویژگی ها مربوط به حوزه های زمان و فرکانس است. تبدیل فوریه، آنالیز موجک، تحلیل مولفه اول، ویژگی های غیرخطی آنتروپی، بعد همبستگی و بعد فرکتال از جمله ویژگی های پیشنهادی هستند. ویژگی های استخراج شده با آنالیز واریانس یا آزمون تی مورد ارزیابی قرار خواهند گرفت. ویژگی هایی که توانایی تفکیک طبقات مختلف را داشتند و توزیع آماری بهتری در آنالیز واریانس یا آزمون t داشتند انتخاب می شوند.
با توجه به قابلیت های شبکه عصبی مصنوعی در شناسایی الگوهای مختلف و دسته بندی اطلاعاتی که طی یک فرآیند یادگیری تنظیم می شود، در این تحقیق از شبکه عصبی مصنوعی برای تعیین نقشه برداری غیرخطی بین سیگنال های EEG و تشخیص بیماری آلزایمر استفاده می شود. پایگاه داده به دو دسته آموزشی و آزمایشی تقسیم شد. به عبارت دیگر شبکه عصبی مصنوعی با مشخصات سیگنال های ثبت شده به عنوان ورودی، بیمار یا سالم به عنوان خروجی شبکه عصبی و در نهایت خروجی شبکه عصبی مصنوعی آموزش دیده تشخیص داده های بیمار یا سالم است. در مرحله نهایی، عملکرد شبکه عصبی توسعه یافته مورد ارزیابی و مقایسه قرار خواهد گرفت.
استفاده از سیگنال های EEG و شبکه های عصبی مصنوعی می تواند روشی نوین برای تشخیص بیماری آلزایمر در مراحل اولیه آن باشد.