سامانه همایش ها

English

صفحه اصلی / سی و دومین کنفرانس ملی و دهمین کنفرانس بین المللی مهندسی زیست پزشکی ایران

Deep Learning and Fuzzy Entropy in Parkinson's Diagnosis: a Framework Based on Task-Based EEG Signals

نویسندگان :

Amir Hossein Tajarrod¹ Tania Hossein Khani² َAsghar Zarei³ Mousa Shamsi⁴

1- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران 2- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران 3- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران 4- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران

کلمات کلیدی :

Deep learning،Parkinson’s disease،EEG،Fuzzy entropy،LSTMFCN

چکیده :

Parkinson's disease (PD) is the second most common neurodegenerative disorder worldwide, characterized by reduced dopamine levels in the central nervous system. Electroencephalography (EEG) signals have emerged as a promising tool for diagnosing PD due to their non-invasive nature, low cost, and high temporal resolution. This paper proposes a framework for diagnosing PD in healthy individuals. The proposed framework involves the extraction of fuzzy entropy from sub-bands of wavelets, combined with deep learning networks to classify EEG signals obtained under an auditory oddball paradigm. The deep learning networks used in this study include the EEG Network (EEGNet), Residual Networks within EEG (ResNetEEG), EEG Transformer, and Long Short-Term Memory Fully Convolutional Network (LSTMFCN). Four classification scenarios were explored: healthy control (CTRL) vs. PD patients off medication (PD-OFF), CTRL vs. PD patients on medication (PD-ON), PD-ON vs. PD-OFF, and a multi-class. The results indicated that the ResNetEEG network achieved the best average accuracy of 99.78% for the CTRL vs. PD-OFF classification. In contrast, the LSTMFCN network demonstrated optimal performance for the other classifications, with average accuracies of 99.81% for CTRL vs. PD-ON, 99.38% for PD-ON vs. PD-OFF, and 99.85% for the multi-class scenario. Both the EEGNet and EEG Transformer networks also showed comparable performance. Even the ROC curves for these networks showed AUC values of 1.0, further confirming the effectiveness of the implemented networks. These results emphasize the significant potential of utilizing EEG-derived features and deep learning techniques for the accurate detection of PD across various clinical scenarios.

لیست مقالات

لیست مقالات بایگانی شده

چالش‌های اخلاقی هوش مصنوعی در حسابداری مدیریت

محمدرضا پورعلی لاکلایه - مصطفی لطفی

بررسی سفته و سفته الکترونیکی از دیدگاه حقوقی تجارت الکترونیک

دانیال کریم زاده - صالح ترابی گودرزی

پیاده سازی iot در زنجیره تامین، چالش‌ها و فرصت‌ها با در نظر گرفتن industry 4

مهدی رضایی - سلمان ولی محمدی

پیش‌ بینی پیک بار تهران به کمک الگورتیم‌ های یادگیری ماشین ترکیبی

مسعود ابراهیمی کاشف - حسین اقبالی - محمدعلی اقبالی

Diagnosis of Multiple Sclerosis Using Recurrence Plot of EEG

Neda Baghestani - Amin Janghorbani

TransFuse++: A Hybrid CNN-Transformer Architecture with Cross-Attention, Temporal Modeling, and Uncertainty Estimation for Medical Image Segmentation

Masoud Noroozi - Sayna Jamaati - Hamed Aghapanah - Ali Saeeidi Rad - Mahsa Asadi Anar - Ali Darzi - Mahla Shokouhfar - Helia Sadat Kazemi - Mohammadreza Ghahari - Mohammad Saeed Soleimani Meigoli - Jafar Majidpour - Hossein Arabi - Ali Reza Karimian

تحلیل هوش مصنوعی برای کاربردهای انسانی

حمداله مهرآیین

نقش هوش مصنوعی در چابکی زنجیره تامین بر اساس دیدگاه زنجیره تامین بشردوستانه

اسماعیل محبی کندسری

Gait Retraining of Musculoskeletal Patients Using Deep Learning Techniques

Kourosh Alimadadi - Masoud Shariat Panahi - Morad Karimpour - Hadi Ghattan Kashani

مروری بر روش‌های شناسایی و تشخیص غیرمستقیم لیتولوژی سازند با تاکید بر روش‌های هوش مصنوعی

نگین فروزان - خالد معروفی - سید شهاب طباطبایی‌مرادی

بیشتر

ثمین همایش، سامانه مدیریت کنفرانس ها و جشنواره ها - نگارش 42.5.2