پیش بینی اختلال یادگیری به روش شبکه عصبی پرسپترون بهینه شده با بهینه سازی انبوه ذرات

اختلال یادگیری یکی از مشکلات مهم در کودکان است که تشخیص زودهنگام آن می تواند نقش مهمی در پیشگیری از پیامدهای تحصیلی و رفتاری داشته باشد. در این پژوهش، روشی مبتنی بر تحلیل سیگنال های EEG برای تشخیص اختلال یادگیری ارائه شده است. در این روش ابتدا ویژگی های غیرخطی شامل همبستگی، تابع لیاپانوف از سیگنال ها استخراج شده و سپس این ویژگی ها با استفاده از یک شبکه عصبی مصنوعی طبقه بندی شده اند. به منظور بهبود عملکرد مدل، تنظیم پارامترهای شبکه با استفاده از الگوریتم بهینه سازی انبوه ذرات انجام شده است. ارزیابی روش پیشنهادی بر روی داده های EEG شامل ۲۴ فرد (۶ سالم و ۱۸ مبتلا) با نرخ نمونه برداری ۲۵۰ هرتز انجام شد. نتایج نشان داد که مدل پیشنهادی با دقت حدود ۹۶ درصد در بخش آموزشی و ۹۲ درصد در بخش آزمون و ۹۸ درصد بر روی کل داده ها قادر به تشخیص اختلال یادگیری بوده و عملکرد مناسبی در مقایسه با روش های مشابه ارائه می دهد.

کلیدواژه ها:

اختلال یادگیری ، عصبی پرسپترون ، بهینه سازی انبوه ذرات