عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
شماره کتابشناسی ملی
شماره
۹۷۳۷۷پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
فارسی
زبان اثر اصلي
فارسی
عنوان و نام پديدآور
عنوان اصلي
تعیین محل تشنج صرعی در مغز از روی پردازش سیگنال های EEG به کمک الگوریتم های هوشمند فازی و یادگیری عمیق
نام عام مواد
[پایان نامه]
نام نخستين پديدآور
سهیل احمدزاده ایراندوست
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
تاریخ نشرو بخش و غیره
۱۴۰۰
مشخصات ظاهری
نام خاص و کميت اثر
۸۱ص.
ساير جزييات
جدول نمودار
مواد همراه اثر
سی دی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی پزشکی بیوالکتریک
زمان اعطا مدرک
۱۴۰۰
امتياز متن
۱۸
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
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.
موضوع (اسم عام یاعبارت اسمی عام)
عنصر شناسه ای
صرع
عنصر شناسه ای
Epilepsy
داده رابط بین فیلدها
a09
داده رابط بین فیلدها
a09
موضوع مستند نشده
فازی
موضوع مستند نشده
CNN
موضوع مستند نشده
EEG
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
کد نقش
، پدیدآور
مستند نام اشخاص تاييد نشده
احمدزاده ایراندوست، سهیل
نام شخص - ( مسئولیت معنوی درجه دوم )
کد نقش
، استاد راهنما
کد نقش
، استاد مشاور
کد نقش
، استاد مشاور
مستند نام اشخاص تاييد نشده
عقابیان، محمد علی
مستند نام اشخاص تاييد نشده
صانعی، سعید
مستند نام اشخاص تاييد نشده
جعفری، امیر همایون
شناسه افزوده (تنالگان)
عنصر شناسه اي
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
مبدا اصلی
کشور
ایران
سازمان
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
تاريخ عمليات
20221225
شماره دستیابی
شماره بازیابی
۲۱۸۵ف
داده هایی که از فرمت مبدا برگردانیده نشده است
شماره فيلد فرمت مبدا
دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی
وضعیت انتشار
فرمت انتشار
p
اطلاعات رکورد کتابشناسی
نوع ماده
TF
کد کاربرگه
92029
اطلاعات دسترسی رکورد
سطح دسترسي
a
تكميل شده
Y
