شناسایی بیماران نقص توجه-بیش فعال با استفاده از ویژگی های برمبنای موجک سیگنال های EEG
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 440
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIPET-12-47_001
تاریخ نمایه سازی: 20 تیر 1400
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:
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
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 :