***************«بسم الله الرحمن الرحیم» نشریه علمی «پردازش علائم و داده‌ها» با مجوز رسمی از کمیسیون نشریات وزارت علوم، تحقیقات و فناوری، صاحب امتیاز: پژوهشگاه توسعه فناوری‌های پیشرفته ***************
Signal and Data Processing Journal A scientific journal officially licensed by the Commission for Scientific Publications of the (MSRT). Publisher: Research Ceter for Developmen of Technologies
دوره 23، شماره 1 - ( 3-1405 )
جلد 23 شماره 1 صفحات 60-51 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Motamed S, Eghdami Arabani M. Detection of intelligence from fMRI images using a combination of long short-term memory network (LSTM) and fuzzy logic (FL). JSDP 2026; 23 (1) : 4
URL: http://jsdp.rcisp.ac.ir/article-1-1443-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1443-fa.html
معتمد سارا، اقدامی عربانی مجید. تشخیص بهرۀ هوشی از روی تصاویر fMRI با استفاده از ترکیب شبکۀ حافظۀ کوتاه‌مدت بلند و منطق فازی. پردازش علائم و داده‌ها. 1405; 23 (1) :51-60
استادیار گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران
چکیده: (594 مشاهده)
بهرۀ هوشی[1] از دیرباز موضوعی جذاب و مهم در روان‌شناسی و علوم شناختی بوده‌است. این مسئله یک معیار اساسی برای توانایی‌های شناختی یک فرد درنظر گرفته می‌شود و شامل جنبه‌های مختلف استدلال، حل مسئله، حافظه و توانایی کلی فکری است. باتوجه به اهمیت این موضوع، در این پژوهش، به تحلیل و توسعۀ یک مدل ترکیبی از شبکه‌های LSTM و منطق استنتاج فازی به‌منظور تشخیص بهرۀ هوشی با استفاده از تصاویر fMRI مغزی پرداخته شده‌است. مدل پیشنهادی پژوهش حاضر با ترکیب قدرت یادگیری عمیق LSTM در درک الگوهای زمانی و قابلیت‌های استنتاج فازی در مدیریت عدم‌قطعیت، موفق به افزایش دقت در شناسایی سطح بهرۀ هوشی نسبت به روش‌های پایه شده‌است. نتایج آزمایش‌ها نشان داد که دقت مدل به‌طور معناداری بهتر از روش‌های سنتی بوده و با نرخ تشخیص بهرۀ هوشی 83 درصد بهتر از سایر روش‌ها جواب داده است. این نرخ نشان‌دهندۀ هم‌بستگی مثبت و درستی بین اندازه و نواحی انتخاب‌شدۀ مغز انسان و ضریب هوشی است.
[1] Intelligence Quotient(IQ)
شماره‌ی مقاله: 4
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1403/7/19 | پذیرش: 1404/11/19 | انتشار: 1405/3/31 | انتشار الکترونیک: 1405/3/31
دریافت: 1403/7/19 | پذیرش: 1404/11/19 | انتشار: 1405/3/31 | انتشار الکترونیک: 1405/3/31
فهرست منابع
1. G. O. Adebayo, R. V. Yampolskiy, "Estimating intelligence quotient using stylometry and machine learning techniques: A review," Big Data Mining and Analytics, vol. 5, no. 3, pp. 163-191, 2022. [DOI:10.26599/BDMA.2022.9020002]
2. P. Thilakavathy, B. Diwan, "Semi-automatic framework for estimating intelligence quotient (IQ) using MRI," Archives of Clinical and Biomedical Research, pp. 2087-2101, 2021.
3. F. Liu, Y. Shi, Z. Chen, "Intelligence quotient test for smart cities in the United States," Journal of Urban Planning and Development, vol. 147, no. 1, p. 04020053, 2021. [DOI:10.1061/(ASCE)UP.1943-5444.0000637]
4. F. Ke, H. Liu, M. Zhou, R. Yang, H.-M. Cao, "Diagnostic biomarker exploration of autistic patients with different ages and verbal intelligence quotients using random forest," IEEE Access, vol. 9, pp. 123861-123872, 2021. [DOI:10.1109/ACCESS.2021.3071118]
5. A. Arya, M. Manuel, "Intelligence quotient classification from human MRI brain images using convolutional neural network," in Proc. 12th Int. Conf. Computational Intelligence and Communication Networks (CICN), IEEE, 2020, pp. 75-80. [DOI:10.1109/CICN49253.2020.9242552]
6. L. Wang, C. Y. Wee, H. I. Suk, X. Tang, D. Shen, "MRI-based intelligence quotient estimation with sparse learning," PLoS One, vol. 10, no. 3, p. e0117295, 2015. [DOI:10.1371/journal.pone.0117295]
7. Y. Li et al., "Brain anatomical network and intelligence," PLoS Computational Biology, vol. 5, no. 5, p. e1000395, 2009. [DOI:10.1371/journal.pcbi.1000395]
8. M. McDaniel, "Big-brained people are smarter: A meta-analysis of brain volume and intelligence," Intelligence, vol. 33, no. 4, pp. 337-346, 2005. [DOI:10.1016/j.intell.2004.11.005]
9. K. Supekar et al., "Neural predictors of individual differences in response to math tutoring," Proc. Natl. Acad. Sci. USA, vol. 110, no. 20, pp. 8230-8235, 2013. [DOI:10.1073/pnas.1222154110]
10. S. Frangou, X. Chitins, S. C. Williams, "Mapping IQ and gray matter density in healthy young people," NeuroImage, vol. 23, no. 3, pp. 800-805, 2004. [DOI:10.1016/j.neuroimage.2004.05.027]
11. "MRI from picture to proton," American Journal of Neuroradiology, vol. 29, no. 6, p. e50, 2008. [DOI:10.3174/ajnr.A0980]
12. M. A. Balafar et al., "Review of brain MRI image segmentation methods," Artificial Intelligence Review, vol. 33, no. 3, pp. 261-274, 2010. [DOI:10.1007/s10462-010-9155-0]
13. Y. Roy et al., "Deep learning-based EEG analysis: A systematic review," Journal of Neural Engineering, vol. 16, no. 5, 2019. [DOI:10.1088/1741-2552/ab260c]
14. S. S. Yadav, S. Jadhav, "Deep CNN-based medical image classification," Journal of Big Data, vol. 6, no. 1, pp. 1-18, 2019. [DOI:10.1186/s40537-019-0276-2]
15. M. A. Hussain et al., "Can deep learning predict human intelligence from structural MRI?," bioRxiv, 2023. [DOI:10.1101/2023.02.24.529924]
16. T. Shen, "Classifying brain using convolutional neural networks," M.Sc. Thesis, University of Manchester, 2020.
17. Y. S. Vang, Y. Cao, X. Xie, "Deep learning and gradient boosting for intelligence prediction," in ABCD-NP Challenge, MICCAI, 2019.
18. A. El Boustani et al., "MRI brain classification using CNN," in AI2SD, Springer, 2020.
19. S. Pölsterl et al., "Prediction of fluid intelligence from MRI," in MICCAI Workshop, 2019.
20. S. Srivastava et al., "Predicting fluid intelligence using ensemble methods," Springer, 2019.
21. Y. Li et al., "Accounting for temporal variability in fMRI improves IQ prediction," Human Brain Mapping, vol. 44, no. 13, pp. 4772-4791, 2023. [DOI:10.1002/hbm.26415]
22. L. Xiao et al., "Alternating diffusion map-based fusion," IEEE Trans. Biomedical Engineering, vol. 66, no. 8, pp. 2140-2151, 2018. [DOI:10.1109/TBME.2018.2884129]
23. S. Zhang et al., "Multi-task learning model for IQ prediction," Environmental Research, 2024.
24. M. A. Hussain et al., "Deep learning on structural MRI," Scientific Reports, vol. 14, 2024. [DOI:10.1038/s41598-024-78157-0]
25. X. Tong et al., "Connectome signatures from resting-state fMRI," Translational Psychiatry, vol. 12, no. 1, 2022. [DOI:10.1038/s41398-022-02134-2]
26. Y. Sun et al., "Voxel-level brain state prediction using Swin Transformer," arXiv preprint, 2025. [DOI:10.1109/JBHI.2025.3613793]
27. N. He, C. Kou, "Prediction of IQ from resting-state fMRI," Int. J. Developmental Neuroscience, vol. 84, no. 7, pp. 779-790, 2024. [DOI:10.1002/jdn.10375]
28. J. A. Thiele et al., "Choosing explanation over performance," PNAS Nexus, vol. 3, no. 12, 2024. [DOI:10.1093/pnasnexus/pgae519]
29. معتمد، سارا؛ عسکری، احسان، «تشخیص اسلحۀ کمری با استفاده از شبکۀ عصبی کانولوشنی سه‌بعدی»، فصلنامۀ پردازش علائم و داده‌ها، دورۀ 2، شمارۀ 56، صفحات 79-69، 1402.
29. Motamed, S., Askari, E., "Detection of handgun using 3D convolutional neural network (3DCNNs)," Signal and Data Processing, vol. 2, no. 56, pp. 69-79, 2023. [DOI:10.61186/jsdp.20.2.69]
30. M. Hanik et al., "Predicting cognitive scores with graph neural networks," Brain Imaging and Behavior, 2021. [DOI:10.21203/rs.3.rs-634170/v1]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |