مقایسه عملکرد شبکه عصبی المن و شبکه عصبی عمیق جهت تشخیص بیماری آلزایمر خفیف

 هدف اصلی این مطالعه ارایه روشی برای تشخیص زودهنگام بیماری آلزایمر است. این بیماری با از بین بردن سلول های عصبی در سیستم عصبی و کاهش ارتباطات و فعل و انفعالات عصبی، عملکرد حافظه را کاهش می‏دهد.

سطح این بیماری باید با توجه به ارتباط این بیماری با ویژگی های مختلف در سیگنال مغزی و تصاویر پزشکی تشخیص داده می شود. ابتدا با پیش پردازش مناسب، خواص غیر خطی مانند نمودار فاز، بعد همبستگی، آنتروپی و نمای لیاپانوف استخراج شده و جهت طبقه بندی از شبکه عصبی المن استفاده شده است. سپس صحت عملکرد شبکه عصبی المن با شبکه عصبی کانالوشنی مقایسه شده است. استفاده از روش های یادگیری عمیق از جمله شبکه عصبی کانالوشنی، می تواند نتایج مناسب تر و دقیق تری در میان سایر روش های طبقه بندی داشته باشد.

در حالت استفاده از دو شبکه CNN و یک شبکه MLP صحت نتایج در افراد سالم 98 درصد و در افراد بیمار خفیف 97/7 درصد و در افراد بیمار شدید 97/5 درصد بدست آمده است. در حالت استفاده از یک شبکه CNN با ترکیب ویژگی ها سیگنال مغزی و تصاویر پزشکی در حالت تحریک صحت نتایج در افراد سالم 95 درصد و در بیماران خفیف 92/5 درصد و در بیماران شدید 97/5 درصد می باشد، در حالت یادآوری صحت نتایج در افراد سالم 75 درصد و در بیماران خفیف 72/5 درصد و در بیماران شدید 87/5 درصد است. صحت نتایج در شبکه عصبی Elman با ترکیب ویژگی های سیگنال مغزی و تصاویر پزشکی 94/4 درصد و در حالت بدون ترکیب ویژگی ها، صحت نتایج 92/2 درصد شده است.

در بین روش های پردازشی ارایه شده جهت دسته بندی سه کلاس سالم، بیمار خفیف و بیمار شدید، روش ترکیب ویژگی های سیگنال مغزی و تصاویر پزشکی موجب افزایش صحت نتایج طبقه بندی کننده CNN و Elman شده است.