عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
۹۷۳۷۷پ
فارسی
فارسی
تعیین محل تشنج صرعی در مغز از روی پردازش سیگنال های EEG به کمک الگوریتم های هوشمند فازی و یادگیری عمیق
[پایان نامه]
سهیل احمدزاده ایراندوست
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
۱۴۰۰
۸۱ص.
جدول نمودار
سی دی
کارشناسی ارشد
مهندسی پزشکی بیوالکتریک
۱۴۰۰
۱۸
هدف اصلی ما دستیابی به الگوریتمی مبتنی بر یادگیری عمیق و منطق فازی به منظورکلاسبندی کانون تشنج صرعی به کمک سیگنال EEG می باشد. مواد و روش: برای این مطالعه ابتدا با مدلسازی سر فرد بر اساس داده های MRI، مسأله مستقیم EEG را حل کردیم. سپس به کمک یادگیری ماشینی بر اساس شبکه اتوانکدر و SVM سیگنال های صرعی را از نرمال جداسازی کردیم. در مرحله بعد مسأله معکوس EEG را به وسیله طراحی یک شبکه CNN برای استخراج ویژگی و یک سیستم FIS برای کلاسبندی حل کردیم. خروجی الگوریتم CNN-Fuzzy طراحی شده یکی از کلاس های 8 گانه مطابق آناتومی لوب های مغز در نیم کره راست و چپ مغز می باشد. برای آموزش و ارزیابی الگوریتم های طراحی شده در این پروژه از دیتای T1 مربوط به 18 بیمار مبتلا به تشنج صرعی که تصاویر آن ها از اسکنر 3 تسلا مرکز تصویربرداری بیمارستان امام خمینی گرفته شده، استفاده کرده ایم. نتایج: عملکرد الگوریتم تشخیص سیگنال صرعی با استفاده از اتوانکدر و SVM بر اساس پارامتر Accuracy در حضور و عدم حضور نویز به ترتیب 73.28 و 78.01 درصد می باشد. عملکرد کلی الگوریتم کلاسبندی کانون تشنج صرعی CNN-Fuzzy بر اساس پارامتر Accuracy در حضور و عدم حضور نویز به ترتیب 65.88 و 76.61 درصد به دست آمد، این درحالی می باشد که برای این سیستم در حالت بدون وجود نویز ( با وجود نویز) 85.72 (78.47 ) درصد precsision در ناحیه Frontal ، 79.72 (65.09) درصد precsision در ناحیه Temporal و همچنین 85.92 (75.76) درصد recall در ناحیه Frontal ، 76.75 (62.46) درصد recall در ناحیه Temporal حاصل شد. بحث: مطالعات گذشته عملکرد برتری روش های مبتنی بر هوش مصنوعی در حل مسأله معکوس EEG را نشان دادند، اما با توجه به فاصله نیاز های بالین، نیاز به تغییراتی در پارامتر هایی مانند تعداد الکترود ها، لوب کانون تشنج و ... بود. الگوریتم CNN-Fuzzy دارای مزایایی از جمله افزایش آگاهی از عملکرد شبکه CNN، امکان افزایش قوانین فازی توسط فرد متخصص بر اساس ویژگی های جدید(حتی از سایر مدالیته ها) و عملکرد بهتر در لوب های مهم تشنج یعنی Temporal و Frontal می باشد بر اساس اطلاعات ما این پروژه اولین مطالعه در زمینه به کارگیری یادگیری عمیق برای حل مسأله معکوس EEG سیگنال های صرعی می باشد.
صرع
Epilepsy
a09
a09
فازی
CNN
EEG
، پدیدآور
احمدزاده ایراندوست، سهیل
، استاد راهنما
، استاد مشاور
، استاد مشاور
عقابیان، محمد علی
صانعی، سعید
جعفری، امیر همایون
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
ایران
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
20221225
۲۱۸۵ف
دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی
p
TF
92029
a
Y
