همایش آروین البرز MHHJR 1 4 2025 10 07 Predicting Neurological Disorders Using Deep Learning Models Based on EEG and MRI Data: A Step Toward Early Diagnosis of Alzheimer’s, Parkinson’s, and Epilepsy پیش‌بینی اختلالات عصبی با استفاده از مدل‌های یادگیری عمیق بر پایه داده‌های EEG و MRI: گامی به سوی تشخیص زودهنگام آلزایمر، پارکینسون و صرع 1 15 10.22051/jera.2021.31891.2698 FA محمود گروه آموزش علوم تجربی، دانشکده علوم پایه، دانشگاه فرهنگیان تهران، ایران کیمیا گروه آموزش ابتدایی، دانشکده علوم تربیتی، دانشگاه فرهنگیان تهران، ایران 2025 09 26 Neurological disorders such as Alzheimer’s, Parkinson’s, and epilepsy are among the major public health challenges, where delayed diagnosis significantly reduces treatment effectiveness. In this study, a multimodal deep learning framework based on EEG and MRI data was designed for the early prediction of these disorders. Data were collected from well-established databases including ADNI, TUH EEG Corpus, and PhysioNet, and were preprocessed through noise removal and normalization before being fed into the model. The proposed architecture combined Convolutional Neural Networks (CNN) for spatial feature extraction and Long Short-Term Memory (LSTM) networks for temporal pattern analysis. Model performance was evaluated using metrics such as accuracy, sensitivity, specificity, AUC, and F1-score. The results demonstrated that the hybrid CNN–LSTM model achieved higher accuracy compared to classical algorithms such as SVM and Random Forest. These findings highlight the strong potential of deep learning in supporting early diagnosis of neurological disorders and its applicability in future clinical settings. 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. /downloadfilepdf/405324