NATIONAL BIBLIOGRAPHY NUMBER
Country Code
IR
Number
۴۶۲۳پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
فارسی
COUNTRY OF PUBLICATION OR PRODUCTlON
Country of publication
IR
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
تشخیص بیماری پارکینسون با استفاده از تحلیل الکتروانسفالوگرام در یک تکلیف یادگیری-تقویتی
General Material Designation
[پایان‌نامه]
Parallel Title Proper
Parkinsons disease detection using electroencephalogram analysis in a reinforcement-learning task
First Statement of Responsibility
/یاسمین اعزازی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: مهندسی پزشکی
Date of Publication, Distribution, etc.
، ۱۴۰۱
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۱۰۵ص.
Other Physical Details
:
GENERAL NOTES
Text of Note
زبان: فارسی
Text of Note
زبان چکیده: فارسی
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی - الکترونیکی
NOTES PERTAINING TO PHYSICAL DESCRIPTION
Text of Note
مصور، جدول، نمودار
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
مهندسی پزشکی- بیوالکتریک
Date of degree
۱۴۰۱/۰۶/۰۱
Body granting the degree
صنعتی سهند
SUMMARY OR ABSTRACT
Text of Note
در سال‌های اخیر با توجه به افزایش سن جمعیت جهان و افزایش امید به زندگی، نرخ وقوع بیماری-های مزمن و حاد کهنسالی بیشتر شده است .بیماری پارکینسون یکی از مهم‌ترین بیماری‌های مخرب عصبی است که به دلیل انحطاط سلول‌های عصبی دوپامینرژیک در جسم سیاه مغز رخ می‌دهد .نظر به اینکه این بیماری درمان مشخص ندارد و علائم در گذر زمان شدیدتر می‌شود، بنابراین تشخیص کلینیکی و به موقع آن به یکی از چالش‌های اصلی در مطالعات بالینی تبدیل شده است .از این رو در این پایان‌نامه سه روش کارآمد و قابل‌اعتماد با هدف تشخیص بیماری پارکینسون و به تبع آن ارائه راهکارهای کنترلی بهتر برای بهبود کیفیت زندگی بیماران پیشنهاد شده است .این روش‌های پیشنهادی براساس استخراج ویژگی‌های فرکانسی مبتنی بر تبدیل والش هادامارد و تحلیل کپستروم است .علاوه بر این، نمایش‌های زمان - فرکانس براساس تبدیل فشرده‌ی همزمان مبتنی بر تبدیل فوریه و روش‌های تحلیل بافت در کنار روش‌های طبقه‌بندی مانند ماشین بردار پشتیبان، K نزدیک-ترین همسایگی، شبکه عصبی پیش‌خور آبشاری، تحلیل افتراقی خطی و کم‌ترین مربعات غیرمنفی تنک بکار گرفته شده‌اند .در این مطالعه، قابلیت روش‌های پیشنهادی با استفاده از سیگنال‌های الکتروانسفالوگرام ۲۸ فرد سالم و ۲۸ بیمار مبتلا به پارکینسون در دو حالت مصرف دارو و ترک مصرف آن در حین انجام تکلیف یادگیری-تقویتی مورد ارزیابی قرار گرفته است .نتایج نشان داده‌اند که الگوریتم‌های پیشنهادی با صحت ۹۹/۹۸، ۹۹/۹۰ و ۹۹/۸۹ درصد قابلیت تشخیص بیماران مبتلا به پارکینسون از افراد سالم را با استخراج اطلاعات مرتبط با پاداش مثبت فراهم کرده‌اند .این روش‌ها می‌توانند راه‌حل جدیدی برای آشکارسازی تغییرات پاداش مثبت در بیماری پارکینسون ارائه دهند و می‌توانند مزایای پایدار واضحی را در چندین متغیر تکنیکی و بالینی مانند وضعیت دارویی و کاهش تعداد کانال‌ها ارائه دهند که یک سیستم تشخیص قابل تعمیم را پیشنهاد می‌دهد .
Text of Note
In recent years, due to the increasing life expectancy and the age of the world's population, the incidence rate of chronic and acute diseases in elderly patients has been increased. Parkinsons disease (PD) is one of the most important of neurodegenerative ones, which occurs due to the degeneration of dopaminergic nerve cells in the substantia nigra of the brain. As there is no specific treatment for this disease and the symptoms become more severe over time, clinical and timely diagnosis has become one of the main challenges in medical studies. Therefore, in this work, three efficient and reliable methods have been proposed for PD detection, which provides better control strategies to improve the quality of patients' life. These methods are based on frequency features extracted from Walsh Hadamard transform and Cepstrum analysis. Furthermore, an enhanced time-frequency representation based on Fourier Synchrosqueezing transform and textural analysis along with several classification methods, such as support vector machine, K nearest neighbor, cascade forward neural network, linear discriminant analysis, and sparse non-negative least squares have been employed. In this study, the ability of the proposed methods has been evaluated using electroencephalogram signals of 28 healthy control individuals and 28 patients with PD in both ON and OFF medication states during the reinforcement learning task. The results have shown that the algorithms with 99.98 , 99.90 , and 99.89 accuracy could detect Parkinsons disease by extracting related information to reward positivity. They can provide a new solution to detect reward positivity changes in PD and can offer obvious stability advantages on several clinical and technical variables like medication states and reduced channels, suggesting a generalizable detection system.
ba
PARALLEL TITLE PROPER
Parallel Title
Parkinsons disease detection using electroencephalogram analysis in a reinforcement-learning task
TOPICAL NAME USED AS SUBJECT
بیماری پارکینسون
تکلیف یادگیری-تقویتی
نشانگر پاداش مثبت
تبدیل والش هادامارد
تحلیل کپستروم
تبدیل فشرده‌ی همزمان مبتنی بر تبدیل فوریه
UNCONTROLLED SUBJECT TERMS
Subject Term
Parkinsons Disease, Reinforcement-Learning Task, Reward Positivity biomarker, Walsh Hadamard Transform, Cepstrum Analysis, Fourier Synchrosqueezing Transform
Subject Term
بیماری پارکینسون، تکلیف یادگیری-تقویتی، نشانگر پاداش مثبت، تبدیل والش هادامارد، تحلیل کپستروم، تبدیل فشرده‌ی همزمان مبتنی بر تبدیل فوریه
PERSONAL NAME - PRIMARY RESPONSIBILITY
اعزازی، یاسمین
PERSONAL NAME - SECONDARY RESPONSIBILITY
قادریان، پیوند، استاد راهنما
ORIGINATING SOURCE
Country
ایران
Date of Transaction
20230617
LOCATION AND CALL NUMBER
Call Number
پزشکی.م ،۱۰۰۷۰ ،۱۴۰۱
ELECTRONIC LOCATION AND ACCESS
Host name
ی‌ریگدای ف‌یلکت ک‌ی رد م‌ارگولافسناورتکلا ل‌یلحت زا ه‌دافتسا اب ن‌وسنیکراپ ی‌رامیب ص‌یخشت-ی‌تیوقت.pdf
Access number
عادی
Compression information
عادی
Date and Hour of Consultation and Access
6140.pdf
Date and Hour of Consultation and Access
pm10070.pdf
Bits per second
0
Contact for access assistance
ایمانی
Electronic Format Type
متن
File size
0
Record control number
پ۴۶۲۳
Public note
فارسی
نمایه‌سازی قبلی
pe
TF
92029
1
a
Y
