Skip to main content
x

محور پژوهش

تجهیزات و ملزومات پزشکی

دانشکده / پژوهشکده

دانشکده مهندسی برق و کامپیوتر

عنوان

ﺗﺤﻠﯿﻞ سيگنالﻫﺎی ﻣﻐﺰی مبنتی بر شبکه های پيچيده برای بهبود تشخيص اوتيسم
ﺗﺤﻠﯿﻞ سیگنالﻫﺎی ﻣﻐﺰی مبنتی بر شبکه های پیچیده برای بهبود تشخیص اوتیسم
محور پژوهش
تجهیزات و ملزومات پزشکی
پژوهشکده/دانشکده
مهندسی برق و کامپیوتر
حوزه پژوهش
تشخیص بیماری شناختی، fMRI، کشف حقایقی در مورد مغز
عنوان
ﺗﺤﻠﯿﻞ سیگنالﻫﺎی ﻣﻐﺰی مبنتی بر شبکه های پیچیده برای بهبود تشخیص اوتیسم
هدف از اجرای پژوهش، کاربردها، مزیت‌ها و ضرورت انجام پروژه
: اﻓﺮاد ﻣﺒﺘﻼ ﺑﻪ اﺧﺘﻼل اوﺗﯿﺴﻢ ﺑﺎ ﻧﻘﺎﯾﺺ اجتماعی و رﻓﺘﺎرﻫﺎی ﺗﮑﺮاری ﻣﺘﻮﻟﺪ میﺷﻮﻧﺪ. ﻃﺒﻖ دادهﻫﺎی اﺧﯿﺮ ﻣﺮﮐﺰ ﮐﻨﺘﺮل ﺑﯿﻤﺎری، از ﻫﺮ ٨۶ ﮐﻮدک در اﯾﺎﻻت ﻣﺘﺤﺪه یکی ﻣﺒﺘﻼ ﺑﻪ اﺧﺘﻼﻻت اوﺗﯿﺴﻢ اﺳﺖ. ﺗﺸﺨﯿﺺ اﻓﺮاد ﻣﺒﺘﻼ ﺑﻪ اﺧﺘﻼﻻت اوﺗﯿﺴﻢ یکی از ﻣﻬﻢﺗﺮﯾﻦ اﻫﺪاف در ﺗﺤﻘﯿﻘﺎت ﻋﻠﻮم شناختی اﺳﺖ. ﻣﻮﺿﻮع ﻣﻮرد ﺑﺤﺚ در اﯾﻦ زﻣﯿﻨﻪ ﺑﺮرﺳی اﻓﺮاد ﻣﺒﺘﻼ ﺑﻪ اﺧﺘﻼﻻت اوﺗﯿﺴﻢ و نواحی ﻣﻐﺰی ﮐﻪ ﺑﺎﻋﺚ اﯾﻦ اﺧﺘﻼﻻت می شوند اﺳﺖ. یکی از روشﻫﺎﯾﯽ ﮐﻪ اﺧﯿﺮاً ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﺮﻓﺘﻪ ﻣﺎﺗﺮﯾﺲ اﺗﺼﺎل اﺳﺖ، اﯾﻦ رویکرد ﺑﺎﻋﺚ ﺷﺪ ﺗﺎ ﺑﺎ اﺳﺘﻔﺎده از شبکهﻫﺎی ﭘﯿﭽﯿﺪه ﺑﻪ ﺗﺤﻠﯿﻞ ﮔﺮافﻫﺎی ﻣﻐﺰی و ﻣﻘﺎﯾﺴﻪ آنﻫﺎ ﺑﭙﺮدازﻧﺪ. معمولاً ﻣﺎﺗﺮﯾﺲ اﺗﺼﺎل ﺑﺎ اﺳﺘﻔﺎده از شبکه ﭘﯿﭽﯿﺪه ﺗﺤﻠﯿﻞ میﺷﻮد. ﻣﻘﺎﻻت زﯾﺎدی ﺑﻪ بررسی ﻣﻐﺰ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻌﯿﺎرﻫﺎی شبکهﻫﺎی ﭘﯿﭽﯿﺪه ﺑﻪ ﺑﻬﺒﻮد در ﺗﺸﺨﯿﺺ اﺧﺘﻼل اوﺗﯿﺴﻢ پرداخته اﻧﺪ. در ﭼﻨﺪ ﺳﺎل اﺧﯿﺮ برای این کار از روشﻫﺎی ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ استفاده شده است. اﯾﻦ روشﻫﺎ ﻣﺎﺗﺮﯾﺲ اﺗﺼﺎل را ﺑﻪﺻﻮرت یک ﺗﺼﻮﯾﺮ در ﻧﻈﺮ میﮔﯿﺮﻧﺪ. اما ﻣﺎﻫﯿﺖ اﯾﻦ ﻣﺎﺗﺮﯾﺲ مانند یک ﺗﺼﻮﯾﺮ طبیعی ﻧﯿﺴﺖ، بلکه یک گراف اﺳﺖ. لذا ﺑﺎ اﺳﺘﺨﺮاج ویژگیﻫﺎی گراف می توان در ﺗﺸﺨﯿﺺ ﺑﯿﻤﺎری ﺑﻬﺒﻮد ﺣﺎﺻﻞ کرد. روشهای ﯾﺎدﮔﯿﺮی ﺑﺎزﻧﻤﺎﯾﯽ سعی ﺑﻪ ﺑﻬﯿﻨﻪﺳﺎزی ﭘﺮدازش و ﮐﺎﻫﺶ ﭘﯿﭽﯿﺪگی زﻣﺎنی در شبکه ﯾﺎدﮔﯿﺮی ﻋﻤﯿﻖ میﻧﻤﺎیند ﺗﺎ ﺑﺎ اﻓﺰاﯾﺶ دﻗﺖ ﺑﺘﻮاﻧﺪ ﺑﻪ ﺗﺸﺨﯿﺺ اﻓﺮاد ﻣﺒﺘﻼ ﺑﻪ اﺧﺘﻼل اوﺗﯿﺴﻢ کمک ﮐﻨﺪ. روش ﯾﺎدﮔﯿﺮی ﺑﺎزﻧﻤﺎﯾﯽ سعی میﮐﻨﺪ ﺗﺎ ویژگیﻫﺎی ﮔﺮاف وﮔﺮهﻫﺎ را ﺣﻔﻆ ﮐﻨﺪ. با این کار دﻗﺖ در دﺳﺘﻪﺑﻨﺪی اﻓﺮاد ﻣﺒﺘﻼ ﺑﻪ اﺧﺘﻼﻻت اوﺗﯿﺴﻢ و اﻓﺮاد ﺳﺎﻟﻢ اﻓﺰاﯾﺶ می یابد. گزارش و شرح زیرساخت‌ها، فعالیت‌ها، و دستاوردها در اﯾﻦ ﭘﮋوﻫﺶ با اﺳﺘﻔﺎده از ﻣﻌﯿﺎرﻫﺎی همبستگی ﻣﺨﺘﻠﻒ دﻗﺖ در دﺳﺘﻪﺑﻨﺪی را ﺑﺮ روی دو ﻣﺠﻤﻮﻋﻪ داده ABIDEI و ABIDEII اﻓﺰاﯾﺶ دادیم. با اﺳﺘﺨﺮاج ویژگی به کمک روشهای بازنمایی گراف از ماتریس اتصال، در درجه اول ﭘﯿﭽﯿﺪگی روشهای یادگیری عمیق کاهش یافت و اجرای الگوریتم از ٢٧ ﺳﺎﻋﺖ ﺑﻪ ٢ ﺳﺎﻋﺖ رسید. روشهای ﻗﺪم زنی ﻧﺎﺷﻨﺎس، اﺳﺘﻔﺎده از روش تبدیل گره به بردار و ﮔﺮوه ﺑﻨﺪی ﮔﺮه ها به هنگام تبدیل به بردار دﻗﺖ تشخیص تشخیص بیماری اوتیسم ﺑﻪ ﻣﯿﺰان ﺧﻮﺑﯽاﻓﺰاﯾﺶداﺷت. تصاویر و محتوای گرافیکی مرتبط


تصاویر پروژه

ارتقاء امنیت وب با وف بومی