تحلیل غیرخطی سیگنال های EEG برای تشخیص اختلال ADHD مبتنی بر بازسازی فضای فاز جهت طبقه بندی با CNN

این پژوهش با هدف توسعه یک چارچوب مبتنی بر تحلیل غیرخطی برای تشخیص اختلال ADHD از روی سیگنال های EEG انجام شده است. در گام نخست سیگنال ها پس از پیش پردازش وارد فرآیند بازسازی فضای فاز بر اساس روش Takens embedding شدند. برای تعیین تاخیر زمانی مناسب از معیار اطلاعات متقابل (Mutual Information) استفاده شد و مقدار T در اولین مینیمم محلی منحنی اطلاعات متقابل انتخاب گردید تا تعادلی میان افزونگی و بی ارتباطی ایجاد شود. همچنین بعد بهینه embedding با روش همسایگان کاذب (FNN) برآورد شد. بر اساس این پارامترها بازسازی فضای فاز (RPS) برای هر سگمنت EEG تولید و به عنوان ورودی به شبکه عصبی کانولوشنی (CNN) مورد استفاده قرار گرفت. یافته ها نشان داد که ترکیب نمایش غیرخطی RPS و توانایی استخراج ویژگی خودکار در CNN قادر است الگوهای دینامیکی مرتبط با ADHD را با دقت بالا شناسایی و طبقه بندی کند. عملکرد مدل پیشنهادی نسبت به روش های خطی مبتنی بر طیف توان برتری قابل توجهی داشت و می تواند به عنوان ابزاری کمکی برای تشخیص عینی تر و قابل اعتمادتر ADHD مورد استفاده قرار گیرد.

کلیدواژه ها:

اختلال نقص توجه/بیش فعالی (ADHD) ، الکتروانسفالوگرافی (EEG) ، سیگنال ، پزشکی ، بازسازی فضای فاز ، شبکه عصبی کانولوشنی (CNN)