تشخیص بیماری ADHD با استفاده از شبکه عصبی کانولوشن مبتنی بر اسپکتوگرام سیگنال

اختلال نقص توجه/بیش فعالی (ADHD) یکی از شایع ترین اختلالات عصب رشدی در کودکان و نوجوانان است که تشخیص صحیح و به موقع آن نقش اساسی در پیشگیری از مشکلات تحصیلی، رفتاری و شناختی دارد. روش های سنتی تشخیص عمدتا بر ارزیابی های بالینی و پرسش نامه های رفتاری تکیه دارند که به دلیل وابستگی به عوامل انسانی، از دقت و تکرارپذیری کافی برخوردار نیستند. بنابراین توسعه یک سیستم کامپیوتری خودکار و مبتنی بر تحلیل سیگنال مغزی می تواند گامی موثر در افزایش دقت و استانداردسازی فرآیند تشخیص باشد. سیگنال EEG مهمترین سیگنال وابسته به مغز می باشد اما به دلیل کانال های زیاد برای تشخیص در این پایان نامه از انتخاب کانال برای کاهش بار محاسبات استفاده شده است و چهار کانال برای طبقه بندی استفاده شده است.در این مقاله، یک شبکه عصبی کانولوشن دو بعدی بهینه سازی شده برای طبقه بندی سیگنال EEG افراد سالم و مبتلایان به ADHD ارائه شده است. با کاهش پیچیدگی معماری و انتخاب هدفمند کانال های موثر، مدل طراحی شده توانسته است ویژگی های زمان–فرکانسی استخراج شده از اسپکتروگرام EEG را با بازدهی بالا پردازش کند. نتایج نشان می دهد که روش پیشنهادی توانسته با صحت ۹۹.۱%، افراد دارای ADHD را از افراد سالم تفکیک نماید. این نتایج حاکی از آن است که شبکه کانولوشن بهینه شده ما یک رویکرد قابل اعتماد، کارآمد و مناسب برای پیاده سازی در سیستم های تشخیص خودکار ADHD بوده و می تواند پایه ای برای توسعه ابزارهای بالینی مبتنی بر هوش مصنوعی در آینده باشد.

کلیدواژه ها:

بیش فعالی ، سیگنال EEG ، اسپکتوگرام ، شبکه عصبی کانولوشن بهینه ، انتخاب کانال بهینه.