تاثیر یادگیری عمیق بر روند طبقه بندی اختلال بیش فعالی و کمبود توجه

اختلال بیش فعالی و کمبود توجه شرایطی را برای کودک ایجاد میکند که نتواند آرام و بدون حرکت بنشیند، رفتارش را کنترل کرده و توجه خود را به یک موضوع خاص معطوف کند. از هر 100 کودک 5 کودک، مبتلا به این بیماری میباشند. پسران سه برابر بیش از دختران در معرض ابتلا به این عارضه قراردارند. اغلب این اختلال قبل از 7 سالگی آغاز میشود و ممکن است والدین تا وقتی که فرزندشان بزرگتر نشده، متوجه مشکل او نگردند . کودکان مبتلا به بیشفعالی و کمبود توجه در معرض خطر بالایی از اختلال رفتار، شخصیت ضد اجتماعی و سوءمصرف مواد مخدر قرار دارند. اکثر کودکان مبتلا بهاین بیماری دچار احساس افسردگی، اضطراب و عدم اعتمادبهنفس میشوند. با توجه به اهمیت این موضوع در این پژوهش، از شبکههای باور عمیق به عنوان یک مدل یادگیری عمیق برای پیشبینی بیماری مذکور استفاده شده است. الگوریتم پیشنهادی روی مجموعه داده استاندارد رقابتهای جهانیADHD-200 که شامل مجموعه داده Neuro Image و NYU است اجراشده و با الگوریتمهای شناختهشده دیگر مورد مقایسه قرار گرفته است. نتایج به دست آمده نشان میدهد که روش پیشنهادی برتری امیدوارکننده ای نسبت به سایر الگوریتم های شناخته شده و محبوب دارد

Keywords:

اختلال بیشفعالی و کمبود توجه , یادگیری عمیق , شبکههای عصبی , شبکههای باورعمیق , ماشین بولتزمان محدود