به گزارش ایسنا، نتایج مقاله دکتر عبدالحسین رضائی، عضو هیئت‌علمی گروه مهندسی برق دانشگاه علم و فرهنگ با عنوان Machine- learning techniques in multiple sclerosis prediction using EEG که در مجله Biomedical Engineering: Applications, Basis and Communications از انتشارات World Scientific با نمایه Web of Science (ISI)منتشر شد، نشان می‌دهد که این روش می‌تواند جایگزینی کارآمد برای شیوه‌های سنتی و پرهزینه مانند MRI باشد.
محققان همچنین پیشنهاد کرده‌اند: تلفیق داده‌های EEG با سایر اطلاعات حرکتی بیماران می‌تواند دقت تشخیص را بیش‌ازپیش افزایش دهد. عبدالحسین رضائی، عضو هیئت‌علمی گروه مهندسی برق دانشگاه علم و فرهنگ به همراه تیمی از پژوهشگران ایرانی، روش‌های یادگیری ماشین را برای تشخیص زودهنگام بیماری MS از طریق تحلیل سیگنال‌های EEG بررسی کرده‌اند. بررسی‌های انجام شده در این مقاله نشان می‌دهد که روش‌های سنتی تشخیص MS، مانند MRI، علاوه بر هزینه‌های بالا، زمان‌بر و بعضاً غیرقابل‌تکرار هستند. در مقابل، استفاده از EEG همراه با تکنیک‌های یادگیری ماشین می‌تواند تشخیصی کم‌هزینه، سریع و دقیق ارائه دهد.
همچنین نتایج نشان می‌دهد محققان با بهره‌گیری از تکنیک‌هایی مانند تقسیم‌بندی باندهای EEG و پردازش داده‌ها در حوزه زمان و فرکانس توانسته‌اند میزان خطای تشخیص را به حداقل برسانند. این یافته‌ها می‌توانند مسیر تحقیقات آینده را برای توسعه ابزارهای تشخیصی پیشرفته‌تر هموار کنند.
نویسندگان در این مطالعه، بر ضرورت گردآوری مجموعه‌های داده گسترده‌تر از EEG تأکید کرده و پیشنهاد داده‌اند: در آینده، ترکیب EEG با سایر داده‌های مانند آنالیز حرکتی بیماران، می‌تواند دقت تشخیص را بیش‌ازپیش افزایش دهد. براین‌اساس، پیشرفت‌های اخیر در حوزه هوش مصنوعی و مهندسی پزشکی می‌تواند گامی بزرگ در راستای تشخیص سریع‌تر و درمان بهتر MS باشد.
این مقاله از اینجا قابل دسترسی است
انتهای پیام
به گزارش ایسنا، نتایج مقاله دکتر عبدالحسین رضائی، عضو هیئت‌علمی گروه مهندسی برق دانشگاه علم و فرهنگ با عنوان Machine- learning techniques in multiple sclerosis prediction using EEG که در مجله Biomedical Engineering: Applications, Basis and Communications از انتشارات World Scientific با نمایه Web of Science (ISI)منتشر شد، نشان می‌دهد که این روش می‌تواند جایگزینی کارآمد برای شیوه‌های سنتی و پرهزینه مانند MRI باشد.
محققان همچنین پیشنهاد کرده‌اند: تلفیق داده‌های EEG با سایر اطلاعات حرکتی بیماران می‌تواند دقت تشخیص را بیش‌ازپیش افزایش دهد. عبدالحسین رضائی، عضو هیئت‌علمی گروه مهندسی برق دانشگاه علم و فرهنگ به همراه تیمی از پژوهشگران ایرانی، روش‌های یادگیری ماشین را برای تشخیص زودهنگام بیماری MS از طریق تحلیل سیگنال‌های EEG بررسی کرده‌اند. بررسی‌های انجام شده در این مقاله نشان می‌دهد که روش‌های سنتی تشخیص MS، مانند MRI، علاوه بر هزینه‌های بالا، زمان‌بر و بعضاً غیرقابل‌تکرار هستند. در مقابل، استفاده از EEG همراه با تکنیک‌های یادگیری ماشین می‌تواند تشخیصی کم‌هزینه، سریع و دقیق ارائه دهد.
همچنین نتایج نشان می‌دهد محققان با بهره‌گیری از تکنیک‌هایی مانند تقسیم‌بندی باندهای EEG و پردازش داده‌ها در حوزه زمان و فرکانس توانسته‌اند میزان خطای تشخیص را به حداقل برسانند. این یافته‌ها می‌توانند مسیر تحقیقات آینده را برای توسعه ابزارهای تشخیصی پیشرفته‌تر هموار کنند.
نویسندگان در این مطالعه، بر ضرورت گردآوری مجموعه‌های داده گسترده‌تر از EEG تأکید کرده و پیشنهاد داده‌اند: در آینده، ترکیب EEG با سایر داده‌های مانند آنالیز حرکتی بیماران، می‌تواند دقت تشخیص را بیش‌ازپیش افزایش دهد. براین‌اساس، پیشرفت‌های اخیر در حوزه هوش مصنوعی و مهندسی پزشکی می‌تواند گامی بزرگ در راستای تشخیص سریع‌تر و درمان بهتر MS باشد.
این مقاله از اینجا قابل دسترسی است
انتهای پیام
