Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

شناسایی بیماران نقص توجه-بیش فعال با استفاده از ویژگی های برمبنای موجک سیگنال های EEG

فصلنامه روش های هوشمند در صنعت برق، دوره: 12، شماره: 47
Year: 1400
COI: JR_JIPET-12-47_001
Language: PersianView: 158
This Paper With 12 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 12 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

سحر کریمی شهرکی - دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران.
مهدی خضری - مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

Abstract:

اختلال توجه-بیش فعالی (ADHD)، نوعی بیماری روانی توسعه عصبی است که باعث عدم توجه، اضطراب، بیش فعالی و رفتارهای تکانشگری فرد می شود. این بیماری بیشتر درکودکان دیده می شود و به طور مستقیم منجر به ناتوانی آن ها در یادگیری می شود. هدف این مطالعه، ارایه سیستمی به منظور شناسایی دقیق تر بیماران ADHD با استفاده از ویژگی های برمبنای موجک سیگنال های مغزی (EEG) است. سیگنال های EEG ثبت شده از ۶۱ کودک ADHD(شناسایی شده بر مبنای معیار DSM-IV) و۶۰ کودک سالم به عنوان گروه کنترل در محدوده سنی ۷-۱۲ سال برای طراحی سیستم مورد استفاده قرارگرفتند. در روش پیشنهادی، سیگنال های EEG با اعمال تبدیل موجک به زیرباندهایی تجزیه شدند؛ و برای نسخه زمانی سیگنال ها در هر زیرباند، ویژگی های زمانی و آماری محاسبه شدند. مجموعه ویژگی کاهش یافته با روش تحلیل مولفه اصلی (PCA) سپس برای آموزش واحد طبقه بندی به منظور شناسایی بیماران ADHD از افراد سالم به کار رفت. برای کسب نتایج مطلوب، انواع مختلف توابع موجک و سطوح تجزیه مورد بررسی قرارگرفتند. تابع موجک bior۳.۱با روش طبقه بندی ماشین بردار پشتیبان (SVM)و تابع موجک rbio۱.۱ با روش طبقه بندی k نزدیکترین همسایه (kNN) با کسب دقت های شناسایی به ترتیب ۹۸.۳۳ و ۹۹.۱۷ درصد، بهترین عملکرد را ارایه کردند. روش طبقه بندی SVM با تابع کرنل پایه شعاعی (RBF) و روش kNN با تعداد همسایگی k=۳ بهترین نتایج را کسب کردند. نتایج به دست آمده در این مطالعه، در مقایسه با نتایج گزارش شده در مطالعات قبلی حداقل ۲% بهبود در دقت شناسایی بیماران ADHD را نشان دادند.

Keywords:

Paper COI Code

This Paper COI Code is JR_JIPET-12-47_001. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/1241093/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
کریمی شهرکی، سحر و خضری، مهدی،1400،شناسایی بیماران نقص توجه-بیش فعال با استفاده از ویژگی های برمبنای موجک سیگنال های EEG،https://civilica.com/doc/1241093

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :

  • L. D. Adler, A. Nierenberg, "Review of medication adherence in ...
  • S. C. Yeh, S. Y. Lin, E. H. K. Wu, ...
  • S. Kim, J. Ryu, Y. Choi, Y. Kang, H. Li ...
  • J. T. Nigg, L. G. Blakey, C. L. Huang-Pollock, M.D. ...
  • N. Lofthouse, L. E. Arnold, S. Hersch, E. Hurt, R. ...
  • S. Enriquez-Geppert, D. Smit, M.G. Pimenta, M. Arns, "Neurofeedback as ...
  • I. Ebrahimnejad, M. Kahkesh, A. Naghsh, "Classification and feature extraction ...
  • N. Behzadfar, S. M. P. Firoozabadi, K. Badie, "Analysis of ...
  • H. Akbari, S. Saraf-Esmaili, S. Farzollah-Zadeh, "Detection of seizure EEG ...
  • M. Khezri, M. Jahed, "Introducing a new multi-wavelet function suitable ...
  • M. Dorvashi, N. Behzadfar, G. Shahgholian, "Classification of alcoholic and ...
  • N. Dashti, M. Khezri, "Recognition of motor imagery based on ...
  • M. Congedo, J. F. Lubar, D. Joffe, "Low-resolution electromagnetic tomography ...
  • M. Adamou, T. Fullen, S. L. Jones, "EEG for diagnosis ...
  • M. Cerquera, M. Arns, R.M. Gutiérrez, J. Freund, "Dynamical measures ...
  • Q. Wang and O. Sourina, "Real-time mental arithmetic task recognition ...
  • A. Vahid, A. Bluschke, V. Roessner, S. Stober, C. Beste, ...
  • M. R. Mohammadi, A. Khaleghi, A. M. Nasrabadi, S. Rafieivand, M. ...
  • A. E. Alchalabi, S. Shirmohammadi, A. N. Eddin, M. Elsharnouby, ...
  • Y. K. Boroujeni, A. A. Rastegari, H. Khodadadi, "Diagnosis of ...
  • H. Chen, Y. Song, X. Li, "A deep learning framework ...
  • J. Kevric, A. Subasi, "Comparison of signal decomposition methods in ...
  • M. Zecca, S. Micera, M. C. Carrozza, P. Dario, "Control ...
  • P. C. Petrantonakis, L. J. Hadjileontiadis, "Emotion recognition from EEG ...
  • C. A. Frantzidis, C. Bratsas, C. L. Papadelis, E. Konstantinidis, ...

Research Info Management

Certificate | Report | من نویسنده این مقاله هستم

اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

Scientometrics

The specifications of the publisher center of this Paper are as follows:
Type of center: Azad University
Paper count: 10,624
In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

Share this page

More information about COI

COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

Support