سامانه همایش‌ها TSTA | ثبت‌نام و ارسال مقاله کنفرانس‌ها و کنگره‌های ملی

Home / سی و دومین کنفرانس ملی و دهمین کنفرانس بین المللی مهندسی زیست پزشکی ایران

Deep Learning and Fuzzy Entropy in Parkinson's Diagnosis: a Framework Based on Task-Based EEG Signals

Authors :

Amir Hossein Tajarrod¹ Tania Hossein Khani² َAsghar Zarei³ Mousa Shamsi⁴

1- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران 2- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران 3- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران 4- دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران

Keywords :

Deep learning،Parkinson’s disease،EEG،Fuzzy entropy،LSTMFCN

Abstract :

Parkinson's disease (PD) is the second most common neurodegenerative disorder worldwide, characterized by reduced dopamine levels in the central nervous system. Electroencephalography (EEG) signals have emerged as a promising tool for diagnosing PD due to their non-invasive nature, low cost, and high temporal resolution. This paper proposes a framework for diagnosing PD in healthy individuals. The proposed framework involves the extraction of fuzzy entropy from sub-bands of wavelets, combined with deep learning networks to classify EEG signals obtained under an auditory oddball paradigm. The deep learning networks used in this study include the EEG Network (EEGNet), Residual Networks within EEG (ResNetEEG), EEG Transformer, and Long Short-Term Memory Fully Convolutional Network (LSTMFCN). Four classification scenarios were explored: healthy control (CTRL) vs. PD patients off medication (PD-OFF), CTRL vs. PD patients on medication (PD-ON), PD-ON vs. PD-OFF, and a multi-class. The results indicated that the ResNetEEG network achieved the best average accuracy of 99.78% for the CTRL vs. PD-OFF classification. In contrast, the LSTMFCN network demonstrated optimal performance for the other classifications, with average accuracies of 99.81% for CTRL vs. PD-ON, 99.38% for PD-ON vs. PD-OFF, and 99.85% for the multi-class scenario. Both the EEGNet and EEG Transformer networks also showed comparable performance. Even the ROC curves for these networks showed AUC values of 1.0, further confirming the effectiveness of the implemented networks. These results emphasize the significant potential of utilizing EEG-derived features and deep learning techniques for the accurate detection of PD across various clinical scenarios.

Papers List

List of archived papers

تاثیر کیفیت گزارشگری مالی بر مالی سازی شرکت با تاکید بر هزینه های نمایندگی

حیدر محمدزاده سالطه - محمد احسانی - سید علی موسوی

تحول دیجیتال: چرا شرکت ها در برابر آنچه برای عملکرد پایدار نیاز است مقاومت

رعنا شهدآور - صبا کبیرخو - محدثه پوراصغر - ندا ستاری

The Impact of an Interactive Rehabilitation Protocol ‎on Reorganization of Brain Networks in Children ‎with Cerebral Palsy: A Pilot Study

Shahed Salehzehi - Mahdi Mollaei - Parisa Hosseini - Ali Koohian Mohammad abadi - Mohammad Ebrahim Hashemi - Hamid Reza Kobravi - Narges Hashemi - Mehran Beiraghi Toosi - Javad Akhondian

تحلیل و بررسی الگوریتم‌های جستجوی رشته

مجید عبدالرزاق نژاد

بررسی ارتباط بین ریسک پذیری شرکت و ضریب واکنش سود در شرکت های پذیرفته شده در بورس اوراق بهادار تهران

حسین بوداقی خواجهءنوبر - مینا محمدی

Fused Deposition Modeling in Bone Tissue Engineering: A Comprehensive Review

Parsa Doaguie - Shima Mirzaie Parsa

بررسی تأثیر اطلاعات محیطی شرکت و ریسک عدم بازپرداخت بدهی‌ها بر ریسک سقوط قیمت سهام با توجه به نقش تعدیلگر بحران کم‌آبی

زهره حاجیها - شهرام کامکار

Short-term gains vs. long-term Success: Reward strategy design for reinforcement learning in football

Mohammad Pashaei - Amirhossein Tayebi - Hadi Amiri - Ali Fahim

Cancer-Associated Actin Mutations Enhance Cofilin Binding Affinity: Insights from Steered Molecular Dynamics Simulations

Danial Sedighpour - Farzan Ghalichi - Iman Zoljanahi Oskui

Impact of Impeller Blade Number on the Hemodynamic Performance of Specially Designed Mini VAD

Nasser Alizadeh - Hanieh Niroomand-Oscuii - Farzan Ghalichi