fa بازشناسی افراد مبتلا به آلزایمر در حالات هیجانی مبتنی بر شبکه‌ عصبی کانولوشنی بهینه و سیگنال الکتروانسفالوگرافی داده کاوی Data Mining پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="line-height:normal"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">مقدمه:</span></b><span lang="AR-SA"> تشـخیص دقیــق بیمــاری آلزایمــر در مراحل اولیه نقــش مهمــی را در مراقبــت از بیمــار دارد و می‌بایست اقدامــات پیشگیرانه را قبــل از آســیب غیــرقابــل برگشــت بــه مغــز انجـام داد. با افزایش سن تغییراتی در حافظه ایجاد می‌شود که طبیعی است؛ اما نشانه</span><span lang="AR-SA">‌‌</span><span lang="AR-SA">های بیماری آلزایمر بیش از فراموشی‌های موقتی می</span><span lang="AR-SA">‌باشد. تشخیص زودهنگام و هوشمند بیماری آلزایمر در حالات مختلف می‌تواند کمک شایانی به بیماران و پزشکان بکند.</span></span></span></span><br> <span style="line-height:normal"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">روش:</span></b><span lang="AR-SA"> در روش پیشنهادی برای بهبود بازشناسی افراد مبتلا به آلزایمر از افراد سالم در حالات هیجانی از شبکه عصبی کانولوشنی</span><span lang="FA"> استفاده خواهد شد.</span> <span lang="AR-SA">ابتدا بر روی سیگنال الکتروانسفالوگرافی، پیش‌پردازش‌های موردنیاز انجام می‌شود و سپس به‌عنوان ورودی به شبکه اعمال خواهد شد. در ادامه جهت بهینه‌سازی وزن‌های شبکه عصبی کانولوشنی از الگوریتم ژنتیک استفاده می‌شود.</span></span></span></span><br> <span style="line-height:normal"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">نتایج:</span></b><span lang="AR-SA"> تحقیقات انجام شده نشان می</span><span lang="AR-SA">‌</span><span lang="AR-SA">دهد که لوب پیشانی مغز با احساسات در ارتباط می‌باشد و استفاده از کانال</span><span lang="AR-SA">‌</span><span lang="AR-SA">های </span>F₃<span lang="AR-SA"> و </span>F₄<span lang="AR-SA"> در مقایسه با سایر کانال</span><span lang="AR-SA">‌</span><span lang="AR-SA">ها اطلاعات بیشتری را منعکس می</span><span lang="AR-SA">‌کند، بنابراین با این اطلاعات عمل تشخیص افراد آلزایمری در حالات هیجانی بهتر انجام می‌شود.</span></span></span></span><br> <span style="line-height:normal"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="AR-SA">نتیجه‌گیری:</span></b><span lang="AR-SA"> روش پیشنهادی با سایر دسته‌بندها در حالات خوشایندی و برانگیختگی مورد ارزیابی قرار گرفت و مشاهده شد که این روش در مقایسه با روش‌های دیگر با دقت 92/3 درصد در خوشایندی و 94/3 درصد در برانگیختگی در بازشناسی افراد مبتلا به آلزایمر از کارایی بهتری برخوردار است.</span></span></span></span></span></span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="line-height:normal"><b>Introduction:</b> Accurate diagnosis of Alzheimer&rsquo;s disease in the early stages plays an important role in patient care, and preventive measures should be taken before irreversible brain damage occurs. With increasing age, there are changes in memory, which is normal, but the symptoms of Alzheimer&rsquo;s disease are more than temporary forgetfulness. Early and intelligent diagnosis of Alzheimer&rsquo;s disease in different situations can greatly help patients and physicians.</span><br> <span style="line-height:normal"><b>Method:</b> In the proposed method, a convolutional neural network will be used to improve the recognition of people with Alzheimer&rsquo;s disease from healthy people in emotional states. First, the required pre-processing is done on the electroencephalography signal, and then, it will be applied as an input to the network. Next, the genetic algorithm is used to optimize the weights of the convolutional neural network.</span><br> <span style="line-height:normal"><b>Results:</b> The research shows that the frontal lobe of the brain is related to emotions and the use of F3 and F4 channels reflects more information compared to other channels, so with this information, the process of recognizing Alzheimer&rsquo;s patients in emotional states is better.</span><br> <span style="line-height:normal"><b>Conclusion:</b> The proposed method was evaluated with other categories in valence and arousal states. It was observed that this method has a better efficiency compared to other methods with an accuracy of 92.3% in valence and 94.3% in arousal in recognizing people with Alzheimer&rsquo;s disease.</span></span></span></span></div> آلزایمر, الکتروانسفالوگرافی, شبکه عصبی کانولوشن, الگوریتم ژنتیک Alzheimer, Electroencephalography, Convolutional Neural Network, Genetic Algorithm 175 184 http://jhbmi.ir/browse.php?a_code=A-10-990-2&slc_lang=fa&sid=1 Elham Askari الهام عسکری askary.elham@gmail.com 10031947532846009101 10031947532846009101 Yes Ph.D. in Computer Engineering, Assistant Professor, Department of Computer Engineering, Fouman and Shaft Branch, Islamic Azad University, Fouman, Iran دکتری مهندسی کامپیوتر، استادیار، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران Sara Motamed سارا معتمد samotamed@yahoo.com 10031947532846009102 10031947532846009102 No Ph.D. in Computer Engineering, Assistant Professor, Department of Computer Engineering, Fouman and Shaft Branch, Islamic Azad University, Fouman, Iran دکتری مهندسی کامپیوتر، استادیار، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران Safoura Ashori Ghale Koli صفورا عاشوری قلعه کلی safoura.ashoori@gmail.com 10031947532846009103 10031947532846009103 No Ph.D. Student in Computer Engineering, Department of Computer Engineering, Fouman and Shaft Branch, Islamic Azad University, Fouman, Iran دانشجوی دکتری مهندسی کامپیوتر، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران