تشخیص اختلال ADHD در کودکان مبتنی بر یادگیری عمیق بهبودیافته با الگوریتم جهت جریان

تشخیص زودهنگام اختلال کمبود توجه بیش فعالی (ADHD) از اهمیت بالایی برخوردار است؛ زیرا می تواند از بروز مشکلات شخصیتی، رفتاری و اجتماعی در مبتلایان جلوگیری کند (American Psychiatric Association, ۱۹۹۴; Barkley, ۲۰۰۶; Polanczyk et al., ۲۰۰۷). این اختلال یکی از شایع ترین اختلالات عصبی رشدی در دوران کودکی است که اغلب تا بزرگسالی ادامه یافته و پیامدهای تحصیلی و اجتماعی قابل توجهی ایجاد می کند (Biederman & Faraone, ۲۰۰۵; Faraone et al., ۲۰۱۵). در سال های اخیر، استفاده از روش های یادگیری ماشین و یادگیری عمیق برای تشخیص این اختلال مورد توجه پژوهشگران قرار گرفته است (Duda et al., ۲۰۱۶; Chen et al., ۲۰۱۹). با وجود کارایی مناسب شبکه های عصبی کانولوشنی در تحلیل داده های زیستی، تنظیم پارامترهای این شبکه ها همچنان یکی از چالش های اساسی در افزایش دقت تشخیص به شمار می رود (LeCun et al., ۲۰۱۵; Goodfellow et al., ۲۰۱۶). در این پژوهش، یک مدل بهبودیافته مبتنی بر یادگیری عمیق برای تشخیص ADHD در کودکان ارائه شده است که در آن از سیگنال های الکتروانسفالوگرام (EEG) به عنوان داده ورودی استفاده شده و پارامترهای شبکه عصبی کانولوشنی با بهره گیری از الگوریتم جهت جریان بهینه سازی شده اند (Barry et al., ۲۰۰۳; Yang, ۲۰۱۴). ساختار شبکه شامل دو لایه کانولوشن، دو لایه تجمع، دو لایه تمام متصل و یک لایه خروجی است که در مجموع نه لایه را تشکیل می دهد (LeCun et al., ۲۰۱۵). نتایج شبیه سازی بر روی مجموعه داده شامل ۳۲۸ نمونه نشان داد روش پیشنهادی نسبت به مدل های یادگیری عمیق و کم عمق، بهبود قابل توجهی در دقت طبقه بندی ایجاد کرده است؛ به طوری که حداقل ۰٫۵۲ درصد نسبت به روش های مشابه و تا بیش از ۷ درصد نسبت به برخی روش های متداول افزایش دقت حاصل شد (Schirrmeister et al., ۲۰۱۷; Dubreuil-Vall et al., ۲۰۲۰). یافته ها نشان می دهد بهینه سازی پارامترهای شبکه های یادگیری عمیق با الگوریتم های فراابتکاری می تواند نقش مهمی در ارتقای سیستم های تشخیص هوشمند اختلالات عصبی داشته باشد (Yang, ۲۰۱۴; Karami et al., ۲۰۲۱).

کلیدواژه ها:

اختلال کمبود توجه بیش فعالی ، شبکه عصبی کانولوشنی ، یادگیری عمیق ، الگوریتم جهت جریان ، سیگنال EEG ، تشخیص هوشمند بیماری