تاثیر تکلیفهای نوشتاری در تشخیص کامپیوتری بیماریهای آلزایمر و پارکینسون
نام عام مواد
[پایاننامه]
عنوان اصلي به زبان ديگر
The impact of handwriting tasks for computer-aided diagnosis of Alzheimers disease and Parkinsons disease
نام نخستين پديدآور
/الهام دهقانپور ده عرب
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی پزشکی
تاریخ نشرو بخش و غیره
، ۱۳۹۹
مشخصات ظاهری
نام خاص و کميت اثر
۱۱۵ص.
ساير جزييات
:
يادداشت کلی
متن يادداشت
زبان: فارسی
متن يادداشت
زبان چکیده: فارسی
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به مشخصات ظاهری اثر
متن يادداشت
مصور، جدول، نمودار
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی پزشکی- بیوالکتریک
زمان اعطا مدرک
۱۳۹۹/۰۶/۰۱
کسي که مدرک را اعطا کرده
صنعتی سهند
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
بیماریهای عصبی پیشروندهی تدریجی مانند آلزایمر و پارکینسون که با مرگ تدریجی سلولهای عصبی در نواحی مشخصی از مغز همراه هستند، منجر به زوال عملکردی، شناختی و رفتاری در فرد مبتلا میگردند .با توجه به افزایش میزان شیوع این بیماریها در سالهای اخیر و عدم وجود راهکاری برای درمان قطعی آنها، تشخیص صحیح و بههنگام این بیماریها میتواند کمک شایانی به کنترل آنها نماید .راهکارهای تشخیصی این بیماریها اغلب به کمک روشهای تصویربرداری مغزی یا نمونه-برداری از مایع مغزی نخاعی انجام میشوند که پرهزینه بوده و یا بهصورت تهاجمی قابل اجرا میباشند و همچنین صحت تشخیصی آنها به تجربه و مهارت پزشک وابسته است .از این رو، طراحی یک سیستم تشخیصی خودکار، کمهزینه و در عین حال قابل اعتماد، از اهداف تحقیقی حال حاضر به-حساب میآید .یکی از مهارتهای فرد که در بروز این بیماریها، دچار اختلال میگردند، سیگنالهای دستخط هستند که میتوان از تحلیل آنها به عنوان یک روش تشخیصی کمهزینه و غیرتهاجمی بهره برد .از آنجاییکه انتخاب تکلیف نوشتاری و ویژگیهای مناسب از جمله عوامل موثر در طراحی سیستم تشخیصی است، در این پژوهش به بررسی مجزای تاثیر هرکدام در بازشناسی الگوی دستخط، پرداخته شده است .در ابتدا در روش پیشنهادی برای تحلیل بیماری آلزایمر، بینظمی حرکات در طی فرآیند نوشتن و میزان تفاوت الگوهای نوشتاری نمونههای سالم و بیمار، به ترتیب با ویژگیهای آنتروپی و تابخوردگی پویا در تکلیفهای نوشتاری مختلف کمیسازی شده است .سپس چندین روش یادگیری ماشین از جمله ماشین بردار پشتیبان، جنگل تصادفی، شبکههای عصبی احتمالی، لاسو وNBSVDD ، جهت ارزیابی قدرت تشخیص، بهکار گرفته شده است .در ادامه جهت تحلیل بیماری پارکینسون سه روش جدید پیشنهاد گردید که در روش اول از تجزیهی حالت تجربی و نمایههای سیگنال تحلیلی و تفاضل مرتبهی دوم برای بررسی تغییرات حرکتی ایجاد شده در تکلیفهای مختلف، در روش دوم از الگوریتم پیگیری انطباق و در روش سوم از تابخوردگی زمانی پویا استفاده شده است .در این پژوهش، جهت اعتبارسنجی روشهای پیشنهادی از دو پایگاه دادهی مجزا استفاده شده است .پایگاه دادهی اول شامل نوشتار مربوط به ۱۵ نمونهی سالم، ۱۳ نمونهی اختلال شناختی خفیف و ۱۴ نمونهی آلزایمر فارسی زبان است .برای بررسی روشهای مربوط به بیماری پارکینسون نیز پایگاه دادهی PaHaW بهکار رفته است .نتایج بدست آمده از روشهای پیشنهادی، بیانگر تاثیر متفاوت تکلیفهای نوشتاری و موثر بودن تکلیفهای با بار شناختی بالا و عملکرد مناسب ویژگیهای غیرخطی ارائه شده در شناسایی تغییرات ایجاد شده در سیگنال دستخط در طی بیماری است .همچنین روشهای پیشنهادی قادر هستند که مصالحهای مناسب بین صحت تشخیص و بار محاسباتی در مقایسه با روش-های دیگر ایجاد کنند.
متن يادداشت
Neurodegenerative diseases, such as Alzheimer's disease (AD) and Parkinson's disease (PD), which are associated with the gradual death of nerve cells in specific areas of the brain, lead to functional, cognitive, and behavioral impairment. Considering the increasing prevalence of these diseases and the lack of a specific treatment sterategy, a reliable detection method would lead to effective decision making in the disease control. Brain imaging or spinal cord biopsy, which are costly or invasive, and their diagnostic accuracy depends on the experience and skill of the physician, are the most common types of diagnostic test for PD or AD. Therefore, the developmetns of an automated, low-cost, but reliable diagnostic system is one of the current research goals. Handwriting signal is one of the personal skills that is impaired in the occurrence of these diseases and can be used as a low-cost and non-invasive biomarker for PD or AD detection. As the selection of appropriate handwriting tasks and features are the affecting factors in designing diagnostic systems, the impact of each one is examined separately in this study. For this purpose, the regularity of handwriting movement and the difference of writing patterns between healthy and patients with AD have been quantified across different handwriting tasks using a variety of entropic and dynamic warping, respectively. Then, several machine learning methods, including support vector machine (SVM), random forest (RF), probabilistic neural networks (PNN), LASSO and NBSVDD, are employed to evaluate the diagnosis performance. Three new methods were proposed to analyze PD. In the first method, empirical mode decomposition (EMD), analytic signal representation (ASR) and second order difference plot (SODP) were used to investigate the motor changes in the different handwriting tasks. In the second and third methods, matching pursuit (MP) algorithm and dynamic time warping are used, repectively. To evaluate the proposed methods, two databases, including 15 HC, 13 mild cognitive impairment (MCI) and 14 AD samples as well as the PaHaW ones, are used. The results showed the different effects of handwriting tasks as well as the effectiveness of the tasks with high cognitive load and proper performance of nonlinear features for identifying changes in the handwriting signal. Furthermore, the proposed methods can provide a better trade-off between the accuracy of the diagnosis and the computational cost compared to the previous methods.
خط فهرستنویسی و خط اصلی شناسه
ba
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
The impact of handwriting tasks for computer-aided diagnosis of Alzheimers disease and Parkinsons disease
موضوع (اسم عام یاعبارت اسمی عام)
موضوع مستند نشده
بیماریهای عصبی پیشروندهی تدریـجی
موضوع مستند نشده
آنتروپی
موضوع مستند نشده
تابخوردگی پویا
موضوع مستند نشده
نمایهی سیگنال تحلیلی
موضوع مستند نشده
نمایهی تفاضل مرتبهی دوم
موضوع مستند نشده
الگوریتم پیگیری انطباق
موضوع مستند نشده
یادگیری ماشین
اصطلاحهای موضوعی کنترل نشده
اصطلاح موضوعی
Neurodegenerative diseases, Entropy, Dynamic warping, Analytic signal representation, second order difference plot, matching pursuit algorithm, machine learning