شبکه عصبی یادگیری عمیق

زمینه و هدف: بیماری آلزایمر شایع ترین شکل زوال عقل است که مهم ترین نمود آن اختلال در حافظه است. آسیب دیدگی مغزی و اختلال استرس پس از حادثه (حوادث ایجادشده برای جانبازان جنگ، رزمندگان و نیروهای مسلح)، نقش بسزایی در افزایش خطر بیماری آلزایمر دارد. ماهیت ابعاد بالای داده های عصبی، درعین حال تعداد کمی از نمونه های موجود، باعث می شود که یک سیستم تشخیص دقیق کامپیوتری ایجاد شود. هدف از انجام مطالعه حاضر به کارگیری شبکه های عصبی یادگیری عمیق برای ایجاد یک سیستم خودکار تشخیص بیماری می باشد. مواد و روش ها: مطالعه حاضر، بر روی ۲۰۰ نمونه تصاویر مغزی جانبازان جنگ توسط نرم افزار پایتون انجام شده است. در مدل پیشنهادی این پژوهش ۷۰% از تصاویر پایگاه داده برای آموزش و ۳۰% تصاویر پایگاه داده برای آزمون انتخاب شدند. در مرحله اول آموزش از یادگیری عمیق با شبکه کانولوشن برای استخراج ویژگی سپس در مرحله دوم به منظور طبقه بندی وضعیت سلامت بر پایه ویژگی های یاد گرفته شده می باشد. یافته ها: نتایج حاصل از خروجی تجزیه وتحلیل شده و با روش های ارائه شده در مطالعات قبلی مقایسه شده است. روش پیشنهادی، دقت تشخیص بالاتری دارد که نسبت به روش های موجود باعث افزایش بیش از ۱۰% در دقت تشخیص در بسیاری از موارد گردیده است. نتیجه گیری: نتایج این پژوهش نشان داد که استفاده از روش های هوشمند بر مبنای یادگیری عمیق می تواند با دقت مطلوبی بیماری آلزایمر را تشخیص دهد. همچنین از الگوریتم های استفاده شده در این تحقیق را می توان در سایر امور مدیریتی، نظامی و دفاعی نیز استفاده کرد.