توصيفگر ها :
تحريك غيرتهاجمي عمقي مغز , تحريك تداخلي مغز , ميدان الكتريكي , كره‌ي ناهمگن , يادگيري عميق , معماري شبكه , اعتبارسنجي
چكيده فارسي :
مغز به عنوان پيچيده‌ترين عضو بدن، اگر اختلالي در عملكرد آن بوجود بيايد باعث ايجاد بيماري در فرد مي‌شود. طي مطالعات انجام شده بيماري‌هاي روانشناختي و عصبي در دنيا رو به افزايش هستند كه انواع متفاوتي مانند پاركينسون، آلزايمر، افسردگي و غيره را شامل مي‌شوند. راه‌هاي معمول درمان اين بيماري‌ها در خيلي از افراد پاسخگو نيست و براي درمان نيازمند راهكارهاي نوين‌تري هستند. يكي از اين راهكار‌ها مدوله كردن عملكرد مغز با استفاده از انواع تحريك‌هاي مغزي است. اين تحريك‌ها به دو دسته‌ي كلي تهاجمي و غيرتهاجمي تقسيم‌بندي مي‌شوند كه هر كدام مزايا و معايبي دارند. در انواع تهاجمي به دليل ماهيت تهاجمي بودن آن‌ها و نياز به عمل جراحي، استفاده از اين روش‌ها را دشوار و همراه با عوارض بسياري مي‌كند. همچنين در روش‌هاي غيرتهاجمي به دليل تحريك نشدن نواحي عمقي مغز نمي‌توان بر روي رنج وسيعي از بيماري‌هاي شناختي از آن‌ها استفاده كرد. به همين منظور در سال 2017 روشي براساس ميدان‌هاي تداخلي ارائه شده است كه توانايي تحريك نواحي عميق مغز را با تحريكي غيرتهاجمي ممكن مي‌سازد. اين شيوه همچنان در مراحل اوليه‌ي خود است و چالش‌هاي بسياري سر راه آن قرار دارد تا به كاربرد كلينيكي به منظور درمان و كنترل بيماري‌ها تبديل شود. يكي از اين چالش‌ها پارامترهاي تحريك مانند جريان اعمالي، فركانس حامل و تحريك، جايگيري الكترودها و تعداد آن‌ها است. در اين پژوهش به منظور بررسي يكي از اين پارامترهاي تحريك يعني بررسي جايگيري الكترودها براي بهينه‌ترين تحريك ناحيه‌ي مورد نظر، از مسئله‌ي معكوس استفاده مي‌كنيم. مسئله‌ي معكوس را به كمك يادگيري عميق و پيشنهاد دو شبكه‌ي عصبي پيچشي بررسي كرديم. دو معماري پيشنهادي بر اساس چندين كلاس و چندين برچسب هستند كه در آن‌ها از شبيه‌سازي مدل كره‌ي ناهمگن كه مدلي تقريبي از مغز انسان است استفاده شده است. به عنوان داده‌هاي شبكه از جايگيري استاندارد 10-20 با درنظر گرفتن تقارن استفاده شده است. همچنين به منظور جريان اعمالي به مدل مجموع جريان دو جفت الكترود در نظر گرفته شده ثابت و تنها نسبت آن‌ها تغيير كرده است كه در مجموع براي تقارن نسبت به نقطه‌ي مركزي 1404 داده داريم. نتايج مدل اول چندين كلاس، دقت %67/90 براي داده‌هاي تقارن مركزي در 100 دوره و در مدل دوم نتايج چندين برچسب با معيار جاكارد در حدود %73/99 براي 60 دوره حاصل شده است. سپس نتايج را با شيوه‌هاي مختلف اعتبارسنجي كرديم.
چكيده انگليسي :
The brain, as the most complex organ in the body, can cause disease if it malfunctions. According to studies, psychological and neurological diseases are increasing in the world, which includes different types such as Parkinsonʹs, Alzheimerʹs, depression, etc. Common ways to treat these diseases are not responsive in many people and they require newer solutions. One of these strategies is to modulate brain function using a variety of brain stimuli. These stimuli are divided into two general categories, invasive and non-invasive, each of which has advantages and disadvantages. In invasive types, due to their aggressive nature and the need for surgery, the use of this method is difficult and with many complications. Also, in non-invasive methods, because they do not stimulate the deep areas of the brain, they can not be used on a wide range of cognitive diseases. To this end, in 2017, a method based on interference fields was introduced which makes it possible to stimulate deep areas of the brain with non-invasive stimulation. This method is still in its early stages and there are many challenges in its way to become a clinical application for the treatment and control of diseases. One of these challenges is excitation parameters such as applied current, carrier frequency and excitation frequency, placement of electrodes and their number. In this study, in order to investigate one of these excitation parameters, namely the placement of electrodes in order to stimulate the desired area, we use the inverse problem. In order to study the inverse problem we used the help of deep learning and suggested two convolutional neural networks. The two proposed architectures are based on multi-class and multi-label structures which we used a heterogeneous spherical model that is an approximate model of the human brain as the model. Standard 10-20 placement was used with considering symmetry in electrode placement has been used as network data. Also, in order to apply the current to the model, the total sum of the two pairs of electrodes is considered constant and only their ratio has changed, which we have in total for symmetry with respect to the central point 1404 data. The results of the first multi-class model is 90.67% accuracy for central symmetry data and 100 epochs and in the second multi-label model the results of Jaccard index is 99.73% for 60 epochs. Then we validated the results in different ways.
