عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
NATIONAL BIBLIOGRAPHY NUMBER
Number
۹۷۳۷۷پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
فارسی
Language of Original Work
فارسی
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
تعیین محل تشنج صرعی در مغز از روی پردازش سیگنال های EEG به کمک الگوریتم های هوشمند فازی و یادگیری عمیق
General Material Designation
[پایان نامه]
First Statement of Responsibility
سهیل احمدزاده ایراندوست
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
Date of Publication, Distribution, etc.
۱۴۰۰
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۸۱ص.
Other Physical Details
جدول نمودار
Accompanying Material
سی دی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
مهندسی پزشکی بیوالکتریک
Date of degree
۱۴۰۰
Text preceding or following the note
۱۸
SUMMARY OR ABSTRACT
Text of Note
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.
TOPICAL NAME USED AS SUBJECT
Entry Element
صرع
Entry Element
Epilepsy
a09
a09
فازی
CNN
EEG
PERSONAL NAME - PRIMARY RESPONSIBILITY
Relator Code
، پدیدآور
احمدزاده ایراندوست، سهیل
PERSONAL NAME - SECONDARY RESPONSIBILITY
Relator Code
، استاد راهنما
Relator Code
، استاد مشاور
Relator Code
، استاد مشاور
عقابیان، محمد علی
صانعی، سعید
جعفری، امیر همایون
CORPORATE BODY NAME - SECONDARY RESPONSIBILITY
Entry Element
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
ORIGINATING SOURCE
Country
ایران
Agency
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
Date of Transaction
20221225
LOCATION AND CALL NUMBER
Call Number
۲۱۸۵ف
DATA NOT CONVERTED FROM SOURCE FORMAT
Tag of the Source Format Field
دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی
p
TF
92029
a
Y
