Signal and Data Processing

fa تشخیص بهرههوشی از روی تصاویر MRI با استفاده از ترکیب شبکه حافظه کوتاه مدت بلند و منطق فازی Detection of intelligence from MRI images using a combination of long short-term memory network (LSTM) and fuzzy logic (FL) مقالات پردازش تصویر Paper پژوهشي Research بهره هوشی از دیرباز موضوعی جذاب و مهم در روان‌شناسی و علوم شناختی بوده است. این یک معیار اساسی برای توانایی‌های شناختی یک فرد در نظر گرفته می‌شود که شامل جنبه‌های مختلف استدلال، حل مسئله، حافظه و توانایی کلی فکری است. با توجه به اهمیت این موضوع، در این مقاله، ما به تحلیل و توسعه یک مدل ترکیبی از شبکه‌های LSTM و لایه استنتاج فازی به منظور تشخیص بهره هوشی با استفاده از تصاویر MRI مغزی پرداخته‌ایم. مدل پیشنهادی ما با ترکیب قدرت یادگیری عمیق LSTM در درک الگوهای زمانی و قابلیت‌های استنتاج فازی در مدیریت عدم‌قطعیت، موفق به افزایش دقت در شناسایی سطح بهره هوشی نسبت به روش‌های پایه شد. نتایج آزمایش‌ها نشان داد که دقت مدل به طور معناداری بهتر از تکنیک‌های سنتی بوده و با نرخ تشخیص 83 درصد بهتر از سایر روش‌ها جواب داده است. <div>  <div id="ftn1"> </div> </div> Intelligence has long been an interesting and important topic in psychology and cognitive science. It is considered a basic measure of a person's cognitive abilities, which include various aspects of reasoning, problem solving, memory, and general intellectual ability. Considering the importance of IQ in cognitive and psychological evaluations, the main goal of this article is to provide a new and effective approach to improve the accuracy of this measure through complex brain data processing. In this paper, we have analyzed and developed a hybrid model of LSTM networks and fuzzy inference layer in order to detect IQ using brain MRI images. By combining the deep learning power of LSTM in understanding temporal patterns and fuzzy inference capabilities in managing uncertainty, our proposed model succeeded in increasing the accuracy in identifying the level of intelligence compared to the basic methods. The results of the experiments showed that the accuracy of the model was significantly better than traditional techniques, and this indicates the high capabilities of the model in interpreting complex medical data. By examining the results, we find that the accuracy of the proposed model is better than other methods with a detection rate of 83%.   بهره هوشی, یادگیری عمیق, تصاویر MRI مغزی, شبکه LSTM , موتور استنتاج فازی. IQ, deep learning, brain MRI images, LSTM network, fuzzy inference engine. 51 60 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2246-2&slc_lang=fa&sid=1 Sara Motamed سارا معتمد motamed.sarah@gmail.com 100319475328460014276 100319475328460014276 Yes Fouman, Iran واحد فومن Majid Eghdami Arabani مجید اقدامی عربانی eghdami@gmail.com 100319475328460014277 100319475328460014277 No Fouman, Iran واحد فومن