• English
    • Persian
  • Persian 
    • English
    • Persian
  • ورود
مشاهده آیتم 
  •   صفحه اصلی مخزن دانش
  • School of Advanced Medical Sciences
  • Theses(AMS)
  • مشاهده آیتم
  •   صفحه اصلی مخزن دانش
  • School of Advanced Medical Sciences
  • Theses(AMS)
  • مشاهده آیتم
JavaScript is disabled for your browser. Some features of this site may not work without it.

مدل‌سازی بیماری اسکیزوفرنی بر پایه ساختارهای نورونی درگیر در بیماری

Thumbnail
نمایش/بازکردن
Thesis-Najafzadeh.pdf (6.401Mb)
تاریخ
1400
نویسنده
نجف زاده, حسین
Metadata
نمایش پرونده کامل آیتم
چکیده
اسکیزوفرنی یک اختلال روانی جدی می‌باشد که تمامی جنبه‌های زندگی فرد مبتلا را تحت تأثیر قرار می‌دهد. ما در این مطالعه برای تشخیص بیماری از یک روش جدید مبتنی بر سیستم استنتاج فازی (ANFIS) برای طبقه‌بندی سیگنال EEG 14 فرد مبتلا اسکیزوفرنی و 14 فرد سالم که از یک دستگاه 19 کانالِ ثبت‌شده بود را معرفی کردیم. ابتدا بر اساس مطالعات گذشته 16 کانال سیگنال‌های EEG از 19 کانال ممکن که بیشترین تغییرات در بین دو گروه را داشت انتخاب کردیم. هرکدام از کانال‌ها را با استفاده از 4 روش استخراج ویژگی SpEn، ShEn، ApEn و ALVSAC پنجره گذاری کردیم، سپس این پنجره‌ها توسط فیلتر باتروث به 5 ناحیه فرکانسی دلتا (2-4)، تتا (4.5-7.5)، آلفا (8.5-12.5)، بتا (13-30) و گاما (30-45) تقسیم‌بندی شد. روی هرکدام از این ناحیه‌های فرکانسی 4 روش استخراج ویژگی پیاده‌سازی شد و میانگین تمامی پنجره‌ها به‌صورت جداگانه به‌عنوان ویژگی نهایی گزارش شدند. 46 ویژگی از 640 ویژگی موجود با بالاترین صحت انتخاب شد و توسط طبقه‌بندی‌های ANFIS، SVM و ANN و اعتباربخشی متقابل k-fold با تکرار 5=k، صحت طبقه‌بندی‌ها به ترتیب %99.89، %98.89 و %95.59 به دست آمد. همچنین ناحیه پیشانی و کانال F4 در زیر ناحیه‌های فرکانسی دلتا-SpEn و تتا-ApEn با بیشترین درگیری به‌عنوان کانال مناسب انتخاب شد. در مرحله بعد برای مدل‌سازی افراد مبتلابه اسکیزوفرنی، سعی کردیم یک مدل مفهومی کامل که شامل 11 نواحی درگیر در بیماری و 6 انتقال‌دهنده عصبی بین نواحی را جمع‌آوری کردیم. سپس مدل مفهومی پایه‌ای برای پیاده‌سازی مدل‌سازی ریاضی بیماری در نظر گرفته شد. شبکه‌های عصبی RBF با تعداد نورون 50 برای مدل کردن کمی تک نورون‌های ناحیه‌های نورونی در بلوک‌های درگیر در نظر گرفته شد. سیگنال کانال F4 به‌عنوان خروجی مدل ریاضی سالم و بیمار برای آموزش ضرایب بین نواحی درگیر در ناحیه Glu_PFC در نظر گرفته شد. بعد آموزش ضرایب مدل سالم، تأثیر مرگ نورونی و تغییرات فعال و غیرفعالی فیزیولوژی انتقال‌دهنده‌های عصبی در اسکیزوفرنی روی نورون‌ها و ضرایب مدل سالم پیاده‌سازی تا ضرایب مدل بیمار بر اساس خروجی کانال F4 بیمار تنظیم شد. نتایج MSE مربوط به مقایسه خروجی مدل سالم و بیمار و سیگنال واقعی‌شان به ترتیب 0.55% و 0.37% به دست آمد. در مرحله آخر تأثیر 9 داروی متداول روی نواحی هدف با تغییرات ضرایب مدل بیمار پیاده‌سازی شد، سپس سیگنال خروجی مدل درمان با استفاده از طبقه‌بندی ANFIS برچسب‌گذاری سالم شدند. همچنین داروهای جدیدی با خاصیت افزایش فعالیت اسیتی کولین در نواحی PFC و VTA، افزایش فعالیت گابا در نواحی PFC، VTA و DRN پیشنهاد شد و برای صحت سنجی روی مدل درمان پیاده‌سازی شد و برچسب‌گذاری سالم دریافت کردند.
URI
https://dspace.tbzmed.ac.ir:443/xmlui/handle/123456789/69016
Collections
  • Theses(AMS)

مخزن دانش دانشگاه علوم پزشکی تبریز در نرم افزار دی اسپیس، کپی رایت 2018 ©  
تماس با ما | Send Feedback
Theme by 
Atmire NV
 

 

مرور

همه مخزنجامعه ها و مجموعه هابراساس تاریخ انتشارنویسنده هاعنوانهاموضوعاین مجموعهبراساس تاریخ انتشارنویسنده هاعنوانهاموضوع

حساب من

ورودثبت نام

مخزن دانش دانشگاه علوم پزشکی تبریز در نرم افزار دی اسپیس، کپی رایت 2018 ©  
تماس با ما | Send Feedback
Theme by 
Atmire NV