نیوزتل: به گزارش نیوزتل، محققان دانشگاه علم و فرهنگ با استفاده از روشهای فنی یادگیری ماشین و تحلیل سیگنال های مغزی (EEG) به موفقیت رسیدند، روشی کم هزینه، سریع و دقیق برای تشخیص بیماری ام اس (MS) عرضه کنند.

به گزارش نیوزتل به نقل از دانشگاه علم و فرهنگ، محققان دانشگاه علم و فرهنگ با استفاده از روشهای فنی یادگیری ماشین و تحلیل سیگنال های مغزی (EEG) به موفقیت رسیدند، روشی کم هزینه، سریع و دقیق برای تشخیص بیماری ام اس (MS) عرضه کنند.
نتایج مقاله دکتر عبدالحسین رضائی عضو هیأت علمی 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 داده است که این شیوه می تواند جایگزینی کارآمد برای شیوه های سنتی و پرهزینه مانند MRI باشد.
محققان همینطور پیشنهاد کرده اند: تلفیق داده های EEG با سایر اطلاعات حرکتی بیماران می تواند دقت تشخیص را بیش ازپیش افزایش دهد.
عبدالحسین رضائی عضو هیأت علمی گروه مهندسی برق دانشگاه علم و فرهنگ بهمراه تیمی از محققان ایرانی، روش های یادگیری ماشین را برای تشخیص زودهنگام بیماری MS از راه تحلیل سیگنال های EEG بررسی نموده اند.
بررسی های انجام شده در این مقاله نشان داده است که روش های سنتی تشخیص MS، مانند MRI، علاوه بر هزینه های بالا، زمان بر و بعضاً غیرقابل تکرار هستند. در مقابل، استفاده از EEG همراه با روشهای فنی یادگیری ماشین می تواند تشخیصی کم هزینه، سریع و دقیق عرضه نماید.
همچنین نتایج نشان داده است محققان با استفاده از تکنیک هایی مانند تقسیم بندی باندهای EEG و پردازش داده ها در حوزه زمان و فرکانس توانسته اند میزان خطای تشخیص را به حداقل برسانند. این یافته ها می توانند مسیر تحقیقات آینده را برای توسعه ابزارهای تشخیصی پیشرفته تر هموار کنند.
نویسندگان در این مطالعه، بر لزوم گردآوری مجموعه های داده گسترده تر از EEG تاکید کرده و پیشنهاد داده اند: در آینده، ترکیب EEG با سایر داده های مانند آنالیز حرکتی بیماران، می تواند دقت تشخیص را بیش ازپیش افزایش دهد. براین اساس، پیشرفت های اخیر در حوزه هوش مصنوعی و مهندسی پزشکی می تواند گامی بزرگ در جهت تشخیص زودهنگام تر و درمان بهتر MS باشد.
این مقاله از راه این لینک قابل دسترسی است.