PEMANFATAAN ALGORITMA JARINGAN SYARAF TIRUAN LEVENBERG MARQUADT UNTUK MENDETEKSI PENYAKIT ALZHEIMER

Rocky Yefrenes Dillak, Martini Ganantowe Bintiri, Dwi Murdaningsih Pangestuty

Abstract


Analisis visual EEG sangat berguna dalam membantu diagnosis penyakit Alzheimer (AD) ketika diagnosis yang dilakukan sesuai protocol klinis masih belum pasti. Namum, beberapa analisis bergantung pada ketidaktepatan peralatan yang melekat, patient movement, electrical record, interpretasi dokter terhadap variasi analisis visual. Jaringan syaraf tiruan (JST) dapat menjadi tool yang sangat baik dalam melakukan prediksi dan pengenalan pola. Pada penelitian ini menggunakan JST levenberg marquadt (LM) yang merupakan pengembangan JST backpropagation standar, yang mampu menangani masalah informasi yang tidak tepat, tidak pasti, dan tidak komplit untuk mengenali pola yang ditentukan EEG untuk mengkaji nilai EEG sebagai metode tambahan yang mungkin untuk mendiagnosa AD. Diperoleh EEG record dari 33 pasien dengan penyakit Alzheimer dan 34 pasien control yang diambil pada saat santai. Hasil analisis EEG dari data tersebut yang bekerja antara 8.0 dan 12.0 Hz (dengan frekuensi rata-rata 10Hz), mengizinkan range 0.5 Hz menetapkan sebagai pola pasien normal. JST LM dapat mengenali gelombang milik masing-masing band of clinical yang digunakan (teta, beta, alfa, dan delta), terutama untuk kesepakatan diagnosis klinis dengan sensitivity 88%, dan specivity 79 % serta akurasi 78%


References


Alwakeel, M., Shaaban, Z., 2010. Face Recognition Based on Haar Wavelet Transform and Principal Component Analysis via Levenberg-Marquardt Backpropagation Neural Network, European Journal of Scientific Research, vol 42(1), 25-31.

Bascill, M., Temurtas, F., 2011. A Study on Hepatities Disease Diagnosis Using Multilayer Neural Network with Levenberg-Marquardt Training Algorithm, J. Med. Syst., 35, 433-436.

Ghosh-Dastidar, S., 2007, Models of EEG data mining and classification in temporal lobe epilepsy: wavelet chaos neural network methodology and spiking neural networks, Dissertation, The Ohio State University.

Hardy J, Selkoe DJ., 2002, The amyloid hypothesis of Alzheimer's disease: progress and problems on the road to therapeutics. Science 2002;297:353-356, [Erratum, Science 2002;297:2209.].

Lopez, H., Abe, J., Anghinah, R., 2010. Application of Paraconsistent Artificial Neural Networks as a Method of Aid in The Diagnosis of Alzheimer Disease, J. Med. Syst., 34, 1073-1081.

Luca, M., Grossi, E., Borroni, B., Zimmermann, M., Marcello, E., Colciaghi, F., Gardoni, F., Intraligi, M., Padovani, A., Buscema, M., 2005. Artificial Neural Networks Allow the Use of Simultaneuos Measurement od Alzheimer Disease Markers for Early Detections of the Disease, Journal of Translational Medicine.

Tabaton, M., Odetti, P., Cammarata, S., Borghi, R., Monacelli, F., Caltagirone, C., Bossu, P., Buscema, M., Grossi, E., 2010. Artificial Neural Networks Identify the Predictive Value of Risk Factors on the Conversion of Amnestic Mild Cognitive Impairment, Journal of Alzheimers Disease, 19, 1035-1040.


Refbacks

  • There are currently no refbacks.