اختلالات عصبی همچون آلزایمر، پارکینسون و صرع از مهم‌ترین چالش‌های سلامت عمومی هستند که تشخیص دیرهنگام آن‌ها موجب کاهش اثربخشی درمان می‌شود. در این پژوهش، یک چارچوب یادگیری عمیق چندوجهی بر پایه داده‌های EEG و MRI برای پیش‌بینی زودهنگام این اختلالات طراحی شد. داده‌ها از پایگاه‌های معتبر از جمله ADNI، TUH EEG Corpus و PhysioNet جمع‌آوری و پس از پیش‌پردازش شامل حذف نویز و نرمال‌سازی وارد مدل شدند. معماری پیشنهادی از ترکیب CNN برای استخراج ویژگی‌های مکانی و LSTM برای تحلیل الگوهای زمانی تشکیل گردید. عملکرد مدل با شاخص‌هایی مانند دقت، حساسیت، ویژگی، AUC و F1-Score ارزیابی شد. نتایج نشان داد که مدل ترکیبی CNN-LSTM نسبت به الگوریتم‌های کلاسیک همچون SVM و Random Forest دقت بالاتری دارد. این یافته‌ها بیانگر ظرفیت بالای یادگیری عمیق در کمک به تشخیص زودهنگام اختلالات عصبی و کاربرد آن در محیط‌های بالینی آینده است.

یادگیری عمیق EEG MRI آلزایمر پارکینسون صرع تشخیص زودهنگام