شماره کتابشناسی ملی
شماره
۲۲۰۳۲پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
تشخیص بیماری آلزایمر از طریق تحلیل سیگنال‌های EEG با استفاده از شبکه‌های عصبی کانوولوشنال
عنوان اصلي به زبان ديگر
Diagnosis of Alzheimer's Disease Through Analysis of EEG Signals Using Convolutional Neural Networks (CNNs)
نام نخستين پديدآور
/میلاد عباس‌پور اصل
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی برق و کامپیوتر
تاریخ نشرو بخش و غیره
، ۱۳۹۸
نام توليد کننده
، میرزائی
مشخصات ظاهری
نام خاص و کميت اثر
۸۵ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی پزشکی گرایش بیوالکتریک
زمان اعطا مدرک
۱۳۹۸/۰۶/۱۷
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
بیماری آلزایمر یک بیماری تخریب‌کننده عصبی است، شایع‌ترین شکل زوال عقل، سومین بیماری پرهزینه و ششمین علت مرگ در ایالات‌متحده است .این بیماری بیش از ۱۰ درصد از آمریکاییان بالای ۶۵ سال، نزدیک به ۵۰ درصد از افراد بالای ۸۵ سال را تحت تأثیر قرار می‌دهد و تخمین زده میشود که شیوع این بیماری طی ۵۰ سال آینده سه برابر شود .در ایران حدود ۷۰۰ هزار نفر به بیماری آلزایمر مبتلا میباشند .روند پیشرفت بیماری در چهار مرحله اختلال شناختی خفیف، آلزایمر خفیف و آلزایمر متوسط و آلزایمر شدید طبقه‌بندی میشود .تشخیص بیماری آلزایمر با معاینات و تشخیص پزشک انجام می‌گیرد .تفسیر سیگنال‌های EEG بیماران مبتلابه آلزایمر توسط پزشک معمولا با خطا و اشتباهات ناشی از تعصبات پزشکی، بی‌دقتی و سخت بودن تشخیص بصری و همچنین خستگی همراه است با توجه به این دلایل نیاز به الگوریتم‌های تشخیص خودکار با دقت بالا در کنار تشخیص پزشک احساس میشود .همچنین تشخیص به‌موقع باعث کند شدن سیر بیماری میشود .در این پایان‌نامه از ابزار تشخیصی EEG به علت ارزانی و غیرتهاجمی بودن استفاده میشود .در این پایان‌صنامه، از روش شناسایی خودکار برای تشخیص بیمار مبتلا به آلزایمر از فرد سالم با استفاده از یادگیری عمیق استفاده میشود .در الگوریتم پیشنهادی، از سیگنال EEG برای تفکیک کلاس‌ها از یکدیگر استفاده میشود .شبکه‌های عصبی کانوولوشنال نوع خاصی از شبکه‌های عصبی هستند که پیشرفته‌ترین نتایج را در معیارهای رقابتی نشان می‌دهند .توانایی یادگیری شبکه‌های عصبی کانوولوشنال تا حد زیادی به استفاده از چندین مرحله استخراج ویژگی بستگی دارد که می‌تواند به‌صورت خودکار نمایش سلسله مراتبی را از داده‌ها بیاموزد .یک شبکه عصبی کانوولوشنال از سه لایه اصلی تشکیل میشود :لایه کانولوشن، لایه ادغام و لایه کاملا متصل .الگوریتم پیشنهادی در این پایان‌نامه دارای دو مزیت اساسی است .مزیت اول حذف مرحله انتخاب ویژگی و مزیت دوم افزایش مقادیر معیارهای سنجش صحت، دقت، حساسیت و اختصاصی بودن با استفاده از این الگوریتم است .نتایج الگوریتم برای طبقه‌بندی ۲ کلاسی بین بیماران مبتلا به آلزایمر و افراد سالم، به ترتیب مقادیر صحت، حساسیت و اختصاصی بودن۹۷ ، ۹۵ و ۹۷ درصد را ارائه می‌دهد که در مقایسه با دیگر الگوریتم‌های طبقه‌بندی با داده‌های موجود نتایج بهتری را نشان می‌دهد .همچنین این الگوریتم مقاومت مناسبی در برابر نویزهای مختلف از خود نشان می‌دهد
متن يادداشت
Alzheimer's disease is a neurodegenerative disease, the most common form of dementia, the third most expensive and the sixth leading cause of death in the United States. It affects more than 10 percent of Americans over the age of 65, nearly 50 percent of people over the age of 85, and is estimated to triple its prevalence over the next 50 years. Alzheimer's disease in Iran affects about 700,000 people. The progression of the disease can be classified into four stages: mild cognitive impairment, mild Alzheimer's and moderate Alzheimer's and severe Alzheimer's. Diagnosis of Alzheimer's disease is performed by a doctor's examination and diagnosis. Interpretation of EEG signals by Alzheimer's patients is usually accompanied by errors and errors due to medical bias, carelessness and difficulty in visual recognition as well as fatigue; therefore, the need for high-precision automatic detection algorithms along with physician diagnosis is felt. Early diagnosis can also slow the course of the disease. In this thesis, EEG diagnostic tools are used because of their cheapness and non-invasiveness. In this thesis, the method of automatic identification of the patient with Alzheimer's disease using deep learning is used. In the proposed algorithm, the EEG signal was used to separate the classes. Convolutional neural networks are a special type of neural network that exhibits the most advanced results in competitive criteria. The ability to learn convolutional neural networks largely depends on the use of several feature extraction steps that can automatically learn hierarchical representation of the data. A canonical neural network consists of three main layers: the cannulation layer, the integration layer, and the fully connected layer. The proposed algorithm in this thesis has two main advantages. The first advantage is the elimination of the feature selection stage because of the automatic feature selection and the second advantage of increasing the values of the criteria for accuracy, accuracy, sensitivity and specificity using this algorithm. The algorithm results for the 2-class Alzheimer's disease and healthy states, respectively, provide accuracy, sensitivity and specificity of 97, 95 and 97 , respectively, which show better results than other classification algorithms with the available data. It also exhibits good resistance to various noises
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Diagnosis of Alzheimer's Disease Through Analysis of EEG Signals Using Convolutional Neural Networks (CNNs)
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
عباس‌پوراصل، میلاد
مستند نام اشخاص تاييد نشده
Abaspoor, Milad
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
