فهرست مطالب f. moghaddam
-
تشخیص بیماری های عصب تحولی مانند اختلال نقص توجه-بیش فعالی به دلیل تاثیر آن بر کیفیت زندگی انسان، مورد توجه زیادی در مطالعات بالینی قرار گرفته است. این اختلال در اثر عوامل ژنتیکی، ناهنجاری های آناتومیکی و کارکردی مغز ایجاد می شود که می تواند منجر به نقص در ادراک زمان، اختلال در حافظه کاری و بی-توجهی شود. ازآنجایی که بررسی تقارن بین فعالیت های نواحی مختلف مغز ممکن است نقش مهمی در تشخیص زودهنگام این اختلال ایفا کند، کمی سازی شباهت بین سیگنال های مغزی یکی از چالش های موجود در زمینه تشخیص اختلال نقص توجه-بیش فعالی است. هدف از این مطالعه محاسبه تقارن مابین جفت کانال های موجود در نواحی قشری بین نیم کره ای یا درون نیم کره ای مغز است. بدین منظور، الگوریتم جدیدی مبتنی بر تاب خوردگی هیلبرت پویا به صورت ویژگی دو متغیره در مرحله استخراج ویژگی ارایه شده و به جهت بررسی توانایی و قدرت تفکیک پذیری این ویژگی ها در نواحی مختلف مغزی، طبقه بند ماشین بردار پشتیبان پیشنهاد گردیده است. توانایی روش پیشنهادی در ایجاد تمایز مابین مناطق مختلف مغزی نیز بررسی شده است. الگوریتم پیشنهادی به کمک مجموعه داده های سیگنال الکتروانسفالوگرام، شامل 14 کودک بیمار مبتلا به اختلال نقص توجه-بیش فعالی از نوع ترکیبی و 19 کودک سالم که تکالیف بازتولید زمانی را انجام می دادند، ارزیابی شد. این روش در تفکیک افراد بیمار از گروه سالم به میانگین صحت بالای007/0±38/94 درصد دست یافت. نتایج تجربی همچنین عملکرد بهتر روش پیشنهادی را در مقایسه با روش های قبلی تشخیص بیماری نقص توجه-بیش فعالی با استفاده از سیگنال های EEG نشان دادند.کلید واژگان: اختلال نقص توجه-بیش فعالی, سیگنال الکتروانسفالوگرام, ماشین بردار پشتیبان, ویژگی های دو متغیره, تاب خوردگی زمانی پویا, اختلال در ادراک زمان}The diagnosis of neurodevelopmental diseases, such as attention deficit/hyperactivity disorder (ADHD), has gained great attention in clinical studies due to its effect on the quality of human life. This disorder is caused by genetic factors, and anatomical and functional brain abnormalities, which can lead to timing deficits, working memory impairments, and inattention. Since the investigation of symmetry between activities of different brain regions may play an important role in the early diagnosis of this disorder, similarity quantification between brain signals is one of the existing challenges in the field of ADHD detection. The goal of this study is to compute symmetry between certain cortical areas from inter-hemispheric or intra-hemispheric channel pairs. For this purpose, a new algorithm based on dynamic time warping as a bivariate feature extraction step and support vector machine (SVM) classifier has been proposed. The proposed method's ability in distinct brain regions has also been explored.The proposed methods have been evaluated on electroencephalogram (EEG) recordings of 14 ADHD children and 19 age-matched healthy controls performing a time-reproduction task. It has achieved high average accuracy rates of 94.38±0.007 in discriminating between healthy controls and patients with ADHD. The experimental results have also demonstrated the superior performance of the proposed method in comparison with previous ADHD detection methods using EEG signals.Keywords: ADHD, EEG Signals, Support Vector Machine, Bivariate Features, Dynamic time warpping, Timing Deficits}
سامانه نویسندگان
اطلاعات نویسنده(گان) توسط ایشان ثبت و تکمیل شدهاست. برای مشاهده مشخصات و فهرست همه مطالب، صفحه رزومه ایشان را ببینید.
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.