| dc.contributor.advisor | چارسوئی, سعید | |
| dc.contributor.author | جوانشیر, رضا | |
| dc.date.accessioned | 2024-08-24T08:05:42Z | |
| dc.date.available | 2024-08-24T08:05:42Z | |
| dc.date.issued | 1402 | en_US |
| dc.identifier.uri | https://dspace.tbzmed.ac.ir:443/xmlui/handle/123456789/71025 | |
| dc.description.abstract | صرع یک اختلال سیستم عصبی است که بر زندگی بسیاری از مردم در سراسر جهان تأثیر می‌گذارد و اغلب با استفاده از الکتروانسفالوگرام (EEG) تشخیص داده می‌شود. در حالی که پاسخ‌های دارویی در بین بیماران صرعی متفاوت است، عوامل ژنتیکی ممکن است بر این تفاوت ها تأثیر بگذارد. از سوی دیگر، انجام آزمایش‌های ژنتیکی بیماران برای تشخیص ژنوتیپ ژن‌هایی که در روند درمان و کنترل بیماری صرع مؤثر هستند، معمولاً تهاجمی، پرهزینه و زمان‌بر است. تخمین ژنوتیپ بیمار با استفاده از داده‌هایی مانند اطلاعات به‌دست آمده از EEG، می‌تواند یک دستاورد قابل توجه در نظر گرفته شود. با توجه به نقش ژن اسید چرب آمید هیدرولاز (FAAH) در تنظیم عملکرد فیزیولوژیکی مغز از طریق سیستم اندوکانابینوئید و ارتباط آن با بیماری‌هایی مانند صرع، تصور می‌شود که می‌تواند رابطه‌ای بین ژن FAAH و فعالیت‌های مغزی وجود داشته باشد. بنابراین، شناسایی ژنوتیپ‌هایی که با تغییرات EEG صرعی مرتبط هستند برای پایش بالینی صرع و کنترل نوسانات مغز بسیار مهم است.
این مطالعه با پیش‌پردازش سیگنال‌های EEG و استخراج ویژگی‌ها از حوزه‌های زمان، فرکانس و زمان - فرکانس، به بررسی طبقه‌بندی ژنوتیپ‌های پلی‌مورفیسم FAAH rs2295633 از طریق سیگنال‌های EEG با استفاده از الگوریتم‌های یادگیری ماشین می‌پردازد. در این راستا، افراد حامل آلل "T" در یک کلاس طبقه‌بندی شده‌اند. در بخش طبقه‌بندی ژنوتیپ‌های CC و TT با طبقه‌بند K- نزدیک‌ترین همسایگی (KNN) به دقت (3.83±)92.36 درصد، در بخش طبقه‌بندی ژنوتیپ‌های CC و (CT,TT) بیماران صرع مقاوم به درمان با طبقه‌بند ماشین بردار پشتیبان (SVM) به دقت 100 درصد و در بخش طبقه‌بندی ژنوتیپ‌های CC و (CT,TT) براساس سیگنال‌های EEG بیماران صرع غیرمقاوم به درمان با طبقه‌بند رگرسیون لجستیک به دقت (6.16±)83.63 درصد دست یافت. این یافته‌ها تأثیر بالقوه پلی‌مورفیسم FAAH rs2295633 را بر فعالیت مغز و الگوهای EEG نشان می‌دهد. با این حال، برای ایجاد ارتباط دقیق بین این پلی‌مورفیسم و EEG صرعی، مطالعات چند عاملی گسترده‌تری ضروری است.
کلمات کلیدی: صرع، الکتروانسفالوگرام، سیستم اندوکانابینوئید، پلی‌مورفیسمFAAH rs2295633، یادگیری ماشین، طبقه‌بندی | en_US |
| dc.language.iso | fa | en_US |
| dc.publisher | دانشگاه علوم پزشکی تبریز دانشکده علوم نوین پزشکی | en_US |
| dc.subject | طبقه‌بندی | en_US |
| dc.subject | یادگیری ماشین | en_US |
| dc.subject | پلی‌مورفیسمFAAH rs2295633 | en_US |
| dc.subject | سیستم اندوکانابینوئید | en_US |
| dc.subject | الکتروانسفالوگرام | en_US |
| dc.title | استخراج ویژگی‌های سیگنال EEG به‌منظور شناسایی ارتباط این مشخصات با متغیرهای ژنی آنزیم FAAH در بیماران صرعی | en_US |
| dc.type | Thesis | en_US |
| dc.contributor.supervisor | اسمعیلی, مهداد | |
| dc.contributor.supervisor | احمد علی پور, علی | |
| dc.contributor.department | مهندسی پزشکی | en_US |
| dc.description.discipline | مهندسی پزشکی | en_US |
| dc.description.degree | کارشناسی ارشد | en_US |
