بررسي عملكرد سيستم تشخيص آلزايمر از طريق سيگنال الكتروانسفالوگرافي(EEG) با استفاده از روش تركيبي الگوريتم فراابتكاري و تكنيك يادگيري ماشين

رشت

زمينه و هدف:آلزايمر به عنوان يكي از شايعترين علل دمانس (زوال عقل)، فعاليت هاي شناختي و رفتاري شخص را مختل مي كند. لذا اين مطالعه با هدف بررسي عملكرد سيستم تشخيص آلزايمر از طريق سيگنال الكتروانسفالوگرافي(EEG) با استفاده از روش تركيبي الگوريتم فراابتكاري گرگ خاكستري (GWO) و الگوريتم ماشين بردار پشتيبان (SVM)، انجام شد. مواد و روش ها:در اين مطالعه¬ي از ديتاهاي تعداد 109 نفر كه بين سالهاي 2012 تا 2013 از مراجعه كنندگان به مركز نورولوژي Centro Neurolesi Bonino-Pulejo IRCCS بودند و شامل 49 بيمار آلزايمري (AD)، 37 نفر با اختلالات شناختي خفيف(MCI) و 23 نفر فرد سالم(HC) بودند استفاده شد .ديتاها شامل سيگنال EEG ثبت شده از سطح سر و به شكل غير تهاجمي بود. طراحي الگوريتم يادگيري و رسم نمودارها نيز به صورت كد نويسي در محيط نرم افزار متلب (MATLAB) انجام شد. در اين مطالعه ابتدا آناليز Fourierو Waveletبر روي سيگنال ها صورت گرفت و سپس استخراج ويژگي هاي Kurtosis، Skewness،Variance، STD ،Sum(abs) و Wentropy انجام شد. براي بررسي ميزان كارايي الگوريتم SVM در طبقه بندي گروه هاي مورد مطالعه، از شاخص هاي آماري صحت (Accuracy) و دقت (Precision) استفاده شد. نتايج: براساس نتايج بدست آمده از الگوريتم GWO به منظور انتخاب ويژگي بهينه، در گروه AD – MCI ويژگي Kurtosis، در گروه HC – AD ويژگي STD و در گروه HC – MCI ويژگي Kurtosis بالاترين اهميت را داشتند. بر اساس الگوريتم كلاس بندي SVM، در گروه AD – MCIصحت88% و دقت33/83%، در گروه HC – AD صحت12/94%، دقت33/83% و در گروه HC – MCI صحت12/94% و دقت71/85% بدست آمد. نتيجه گيري:نتايج نشان دادكه تركيب الگوريتم گرگ خاكستري به منظور انتخاب ويژگي بهينه و همجنين الگوريتم كلاس بندي SVM(ماشين بردار پشتيبان)مي تواند با صحت و دقت بالايي گروه هاي آلزايمري ،اختلال شناختي خفيف و سالم را از هم ديگر تفكيك كند. واژگان كليدي: بيماري آلزايمر، الكتروانسفالوگرام، الگوريتم بهينه سازي گرگ خاكستري، الگوريتم ماشين بردار پشتيبان

220030

علوم پزشكي گيلان