31522

ﻃﺮاﺣﯽ و ﭘﯿﺎدهﺳﺎزي ﯾﮏ روش يادگيري عميق تشخيص آلزايمر ﻣﺒﺘﻨﯽﺑﺮ دادهﻫﺎي الكتروآنسفالوگرافي

ارشد

برق

1401

1403/8/19

شهريار برادران شكوهي ، محمدرضا دليري

...

مهندسي برق

بيماري آلزايمر (AD) يك اختلال عصبي است كه موجب كاهش توانايي‌هاي شناختي مي‌شود. با وجود اينكه درماني براي آن وجود ندارد، تشخيص زودهنگام مي‌تواند به بهبود كيفيت زندگي بيماران كمك كند. در دهه گذشته، الكتروانسفالوگرافي (EEG) به عنوان يك روش غيرتهاجمي براي مطالعه آلزايمر مطرح شده است. در اين پژوهش با هدف بهبود عملكرد تشخيص آلزايمر به كمك يادگيري عميق مراحل زير پيشنهاد مي‌شوند: 1. توليد تصاوير دوبعدي از سيگنال‌هاي تك بعدي الكتروانسفالوگرافي: در اين پژوهش، راهبردي نوين با استفاده از تبديل موجك پيوسته (CWT) براي توليد تصاوير دوبعدي از سيگنال‌هاي الكتروانسفالوگرافي ارائه شد. سيگنال‌ها به بخش‌هاي 30 ثانيه‌اي با هم‌پوشاني 1 ثانيه تقسيم و سپس تصاوير براي شبيه‌سازي دقيق ويژگي‌هاي سيگنال‌هاي عصبي استخراج شدند. 2. مدل يادگيري عميق مبتني بر معماري VGG16 به عنوان مدل پايه انتخاب شد و از تكنيك يادگيري انتقالي براي بهبود عملكرد آن استفاده گرديد. اين مدل ابتدا با تصاوير استخراج شده از تبديل موجك پيوسته آموزش داده شد. نتايج نشان دادند كه مدل آموزش‌ديده به دقت 78/98 در تشخيص كلاس‌هاي آلزايمر، زوال عقل پيشاني- گيجگاهي و سالم دست يافته است. همچنين، مدل توانست دقت 5/98 را در دوكلاس (آلزايمر و سالم) به دست آورد. آزمايش‌ بر روي داده ديگري كه شامل اختلال شناختي خفيف و سالم بود نيز نشان داد كه مدل به دقت 92 دست يافته است. براي نشان دادن توانايي مدل در تعميم‌پذيري، تست‌هاي بيشتري با استفاده از داده‌ي تركيبي كه شامل كلاس‌هاي آلزايمر و سالم و اختلال شناختي خفيف بود، نيز انجام شد و دقت مدل به 93 درصد رسيد كه نشان داد مدل به خوبي قادر به شناسايي كلاس‌ها مي‌باشد.

1403/08/26

Design and Implementation of a Deep Learning Method for Alzheimer’s Detection Based on Electroencephalography Data

11/9/2025 12:00:00 AM

Alzheimer's disease (AD) is a neurological disorder that leads to a decline in cognitive abilities. Although there is no cure for it, early diagnosis can help improve the quality of life for patients. Over the past decade, electroencephalography (EEG) has emerged as a non-invasive method for studying Alzheimer's. This research proposes the following steps to enhance the performance of Alzheimer's detection using deep learning: 1.Generating Two-Dimensional Images from One-Dimensional Electroencephalographic Signals: In this study, a novel strategy using Continuous Wavelet Transform (CWT) was presented for generating two-dimensional images from electroencephalographic signals. The signals were divided into 30-second segments with a 1-second overlap, and images were extracted to accurately simulate the features of neural signals. 2.A Deep Learning Model Based on the VGG16 Architecture: The VGG16 model was selected as the base model, and transfer learning techniques were employed to improve its performance. This model was initially trained with images extracted from the Continuous Wavelet Transform. The results showed that the trained model achieved an accuracy of 98.78% in detecting classes of Alzheimer’s, frontotemporal dementia, and healthy individuals. Additionally, the model achieved an accuracy of 98.5% in the two-class (Alzheimer’s and healthy) scenario. Testing on another dataset that included mild cognitive impairment and healthy subjects also indicated that the model reached an accuracy of 92%. To demonstrate the model’s ability to generalize, further tests were conducted using a combined dataset that included classes of Alzheimer’s, healthy individuals, and mild cognitive impairment, resulting in a model accuracy of 93%, indicating that the model is capable of effectively identifying the classes.

الكتروآنسفالوگرافي , يادگيري عميق , آلزايمر , تبديل موجك پيوسته , يادگيري انتقالي

Electroencephalography , Deep Learning , Alzheimer , Continuous Wavelet Transform , Transfer Learning

Mastooreh Sadeghi

Shahryar Baradaran Shokoohi,Mohammad Reza Daliri