tsta

فارسی

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

Improving Effectivity of repetitive Transcranial Magnetic Stimulation in Treatment of Amyotrophic Lateral Sclerosis by Designing New Protocol and Using Machine Learning

Authors :

Ali Abedi¹ Gholamreza Moradi² Reza Sarraf Shirazi³ Mehran Jahed⁴

1- دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران) 2- دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران) 3- دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران) 4- دانشگاه صنعتی شریف، تهران، ایران

Keywords :

repetitive Transcranial Magnetic Stimulation (rTMS)،Machine Learning،Support Vector Machine (SVM)،Amyotrophic Lateral Sclerosis (ALS)،Electroencephalography (EEG)

Abstract :

Repetitive transcranial magnetic stimulation (rTMS) is an effective and old technique of neuromodulation of neuropsychiatric diseases, however patient responses are variable. Finding effective biomarkers that can predict the response to treatment is a critical step in maximizing the therapeutic efficacy. EEG-based features, when integrated with machine learning, provide a promising strategy to the analyze of response. In this work, we explore the effectiveness of EEG-derived features in identifying rTMS responders and non-responders by means of a Support Vector Machine (SVM) model. This study involved 34 ALS patients recruited from a neurology clinic, divided into two groups: 18 received the new rTMS protocol (NP) and 16 followed the Old protocol (OP). Resting-state EEG was acquired in patients before rTMS. Extracted features by using signal processing methods were: time domain (mean amplitude, variance), frequency domain (band power, peak alpha frequency), nonlinear tests (Hjorth parameters, fractal dimension, Hurst exponent). These features were input into SVM classifier. classification performance of SVM model is high, with overall accuracy of 97.3% when using BP combined with ZCR and FD. The ROC curve, showed excellent discrimination between responders and non-responders, with an AUC of 0.99, indicating the stability of the selected features for predicting treatment response. High classification accuracy suggests that machine learning-based EEG analysis might be promising to provide a personalized guideline for rTMS new therapy protocol.

Papers List

List of archived papers

A Real-Time Integrated Framework for Face Detection, Gender, and Emotion Recognition Using Convolutional Neural Networks

Mostafa Asgarinejad - Elias Ebrahimzadeh - Vida Mirabolfathi - Lila Rajabion - Hamid Soltanian-Zadeh

بررسی تأثیر ارائه صورت‌ تغییرات حقوق مالکانه بر کیفیت اطلاعات حسابداری

سید علی میرنژاد - جمال برزگری خانقاه - فاطمه زه تابیان یزدی

شبیه سازی عددی انقباض بطن راست قلب جنین انسان به روش تعامل سیال و جامد

سیده کیمیا مرتضوی فارسانی - هانیه نیرومند اسکوئی - بهروز جعفرزاده - محمد حسن فردوسی

Dynamic Cross-Frequency Coupling Reveals Task Dependent Neural Engagement During Varying Cognitive Demands

Seyed Saman Sajadi - Babak Fazli - Fateme Karbasi - Ehsan Garosi - Milad Jalilian - Soheila Hosseinzadeh - Amir Homayoun Jafari - Seyed Abolfazl Zakerian

شبیه‌سازی المان محدود رفتار ناهمسانگرد لیگامان پریودنتال بر اساس توزیع سه‌بعدی فیبرهای کلاژن

محیا بناپور نجاری - علی ولایی - هادی تقی‌زاده

The Technological Pillars of Smart Hospitals: A 2022–2025 Review of IoMT, Wearables/RTLS/RFID, Robotics (IoRT), and VR/AR

Ali Karaminejad - Naeme Kadkhodai Eliaderani - Sahar Jafari - Mahdi Jafari Asl

Comparative Evaluation of Deep Learning Architectures for Static American Sign Language Recognition

Shamim Najafi - Sedigheh Dehghani

بررسی تأثیر ابعاد سه گانه سرمایه فکری بر عملکرد مالی سازمان منطقه آزاد تجاری و صنعتی ماکو

فرشید میابی - المیرا گوهری بوکت

جایگاه هوش مصنوعی در آینده اقتصاد ایران

سید کمال صادقی - فاطمه نمازی - هانیه پور مهدی

نقش مدیران مستقل در بهبود حاکمیت شرکتی

رعنا شهدآور - آیسان صدقی - المیرا ناصری

Samin Hamayesh - Version 42.5.2