زوال عقل یک سندرم بالینی است که بر عملکرد مغز تأثیر می‌گذارد و شامل طیف وسیعی از بیماری‌های مرتبط با زوال شناختی است. الکتروانسفالوگرافی (EEG) یک بیومارکر نورودینامیکی است که عملکرد خوبی را در تشخیص زوال عقل نشان می‌دهد و به تشخیص ناهنجاری های قشر مغز کمک می‌کند. تشخیص دقیق و زودهنگام برای کنترل پیشرفت زوال عقل مهم است، به همین دلیل، تکنیک‌های تشخیص خودکار مانند استفاده از الگوریتم‌های یادگیری ماشینی در این زمینه مهم شده‌اند. این تحقیق، روشی را با تکیه بر شبکه‌های عصبی کانولوشنال عمیق (CNN) و یادگیری انتقال معرفی می‌کند. تشخیص شدت زوال عقل به صورت خودکار ابتدا، با استفاده از تبدیل موجک پیوسته (CWT)، تصاویر زمان-فرکانس از سیگنال‌های EEG به دست می‌آیند. سپس،CNN آموزش داده شده، روی این تصاویر اعمال می‌شود. ویژگی‌های حاصل به طبقه‌بند ماشین بردار پشتیبان (SVM) وارد می‌شوند. آزمایش‌ها نشان می‌دهد که اطلاعات کانال‌های F8، Pz و P4 اعمال‌شده بهAlexNet-SVM ، به ترتیب با دقت 7/0 ± %8/83، 7/0 ± %3/82 و 8/0 ± %4/82 به بهترین خروجی می‌رسند. همچنین ترکیبی از الکترودها در ناحیه پریتال با دقت 2/0 ± %9/81 درصد بهترین نتیجه را به دست می‌دهد. با توجه به نتایج، روش پیشنهادی قادر است شدت زوال عقل را با دقت بیشتری (نزدیک به %5/6 افزایش در دقت تشخیص) نسبت به روش‌های ارائه شده در مقالات دیگر محققان، از نظر دقت پیش‌بینی کند. با این حال، در دسترس نبودن و هزینه بالای sMRI در مقایسه با EEG نشان دهنده برتری این تحقیق نسبت به روش‌های ارائه شده در مطالعات پیشین است. بر اساس یافته‌ها، ساختار یادگیری عمیق پیشنهادی می‌تواند با موفقیت فعالیت مغز را تجزیه و تحلیل کند و همچنین، می‌تواند به متخصصان مراقبت‌های بهداشتی کمک کند تا شدت زوال عقل را به جای استفاده از رویکردهای پرهزینه، دردناک، ذهنی و مبتنی بر سواد برای تشخیص و تداخل مؤثر، تشخیص دهند.
