تشخیص بیماری آلزایمر با استفاده از روش های آماری و یادگیری ماشین

بیماری آلزایمر (ad ) به عنوان شایع ترین نوع زوال عقل در سالمندان است که حدود 26 میلیون نفر را در سراسر جهان را تحت تاثیر قرار داده است. ساختارهای آناتومیک مختلف مغز مانند هیپوکامپوس و ضخامت قشر مغز تحت تاثیر بیماری آلزایمر قرار می گیرند و ویژگی های آتروفی آن ها مانند حجم، شکل و ضخامت می تواند به عنوان نشانگرها یا شاخص های بیماری آلزایمر مورد استفاده قرار بگیرد. در بین روش های مختلف تشخیص بیماری آلزایمر، روش تصویربرداری مغز میتواند با امکان نمایش دادن واضح تغییرات بافتهای مغز به عنوان روشی برای تشخیص زودهنگام بیماری آلزایمر مورد استفاده قرار بگیرد. انتخاب ویژگی های شاخص با وجود حجم بالای ویژگی های ضخامت بافت مغز مستلزم استفاده از روش های کاهش تعداد ویژگی است. در این پایان نامه برای کاهش تعداد ویژگی ها و انتخاب چندین زیرمجموعه از ویژگی های ضخامت بافت مغز از آزمون های آماری t و الگوریتم های انتخاب ویژگی مبتنی بر هسته sas ، sfs و fas استفاده شده است. هدف پایان نامه انتخاب زیرمجموعه ای از ویژگی های شاخص برای تفکیک و دسته بندی بیماران آلزایمر و افراد سالم با ارزیابی دقت طبقه بندی زیرمجموعه ها توسط الگوریتم های طبقه بندی و بررسی تاثیر تعداد ویژگی ها بر دقت طبقه بندی است. نتیجه که حاصل شده انتخاب زیرمجموعه ای با 30 ویژگی با بالاترین دقت است.