فایل ورد کامل کاربرد ویژگی غیر خطی و شبکه عصبی در دسته بندی نوار مغزی کودکان سالم و بیش فعال

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل کاربرد ویژگی غیر خطی و شبکه عصبی در دسته بندی نوار مغزی کودکان سالم و بیش فعال،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۱ صفحه

چکیده

هدف اختلال بیش فعالی- کم توجهی(ADHD) یک اختلال توسعه یافته ی عصبی می باشد که ویژگی های آن بیش فعالی، عدم توجه و رفتارهای تند می باشد. این مقاله رویکردی را معرفی می نماید تا کودکان ADHD را از بچه های سالم با استفاده از سیگنال های EEG آنها زمان صورت گرفتن یک وظیفه ی معین تشخیص داده شوند. مواد و روش ها: در این مقاله، ۳۰ کودک با ADHD و ۳۰ کودک سالم با همین سن و سال بدون الکتروآنسفالوگرافی(EEG) تحت اختلال های عصب شناسی هنگام انجام دادن فعالیتی با هم مقایسه می شوند تا رفتارها و توجه های آنها شبیه سازی شوند. ابعاد فراکتال(FD)، انتروپی تقریبی و نمای لیاپونوف از سیگنال های EEG بعنوان ویژگی های غیرخطی استخراج شدند. به منظور بهبود در نتایج طبقه بندی، روش های مربوط متقارن جفت ورودی(DISR) و حداقل مربوط حداکثر فراوانی(mRMR) برای انتخاب بهترین ویژگی ها بعنوان ورودی شبکه ی عصبی پرسپترون چند لایه ای(MLP) مورد استفاده قرار گرفتند. نتایج همانگونه که انتظار میرفت، کودکان با ADHD در انجام وظائف مشخص و شناخته شده تاخیرات بیشتر و دقت کمتری داشتند. بنابراین، ویژگی های استخراج شده ی غیر خطی نشان داد که شاخص های غیر خطی در قسمت های مختلف مغز فرزندان ADHD در مقایسه با فرزندان سالم بزرگتر می باشد. این موضوع همچنین می تواند بیان کننده ی رفتار نامناسب بیشتری از کوکان ADHD هنگام انجام دادن یک وظیفه مشخص باشد. در نهایت اینکه، دقت ۹۲۲۸ درصد و ۹۳۶۵ درصد به ترتیب با استفاده از روش mRMR و روش DISR با استفاده از MLP صورت گرفت. نتیجه گیری: نتایج این مقاله نشان دهنده ی توانمندی مشخصه های غیر خطی برای تشخیص کودکان ADHD از کودکان سالم می باشد.

بحث و نتیجه گیری

ADHD اختلالی است که در میان کودکان جزء معمولترین اختلال شناخته می شود و شناسایی هر چه زودتر آن برای جلوگیری از بیماریهای آتی مهم است. در این مقاله، ما یک سیستم افلاین و نیمه اتوماتیک برای تشخیص ADHD، با استفاده از مشخصه های غیر خطی سیگنال های EEG معرفی نمودیم. این سیستم مبتنی بر مشخصه های غیر خطی( بی نظمی) و شبکه ی عصبی می باشد. از اینها که بگذریم، اکثر مطالعات از مشخصه های خطی( مشخصه های طیفی، زمانی، مکانی یا فرکانس زمانی) برای تشخیص بیمارهای ADHD استفاده نموده اند]۱۰، ۱۴، ۱۶، ۳۲، ۳۳[. اگرچه برخی از این مطالعات نتایج مناسبی از خود نشان داده اند، موضوعات مباحثه ای اخیر ]۱۵[ نشان دهنده ی این می باشد که روش های پیشرفته ی جدید برای آنالیز سیگنال های EEG مورد نیاز می باشند. مشخصه های غیر خطی تمیز کننده ی ADHD از EEG اخیرا گزارش شده است اما تنها برای افراد بالغ می باشد. Ghassemi et al.[34] از مشخصه های غیر خطی سیگنال های EEG در ۵۰ افراد بالغ سالم و ۱۰ فرد بالغ ADHD ارزیابی نمود. آنها از نمای لیاپانوف، ابعاد همبستگی و مشخصه های آنتروپی- موجک استفاده نمودند; و آنها به دقت ۹۶ درصد در تشخیص ADHD با مشخصه ی آنتروپی- موجک دست یافتند. عدم تعادل بین تعداد اعضا در هر دو گروه مشهود می باشد. بنابراین، در مطالعه ی دیگر اخیر، یک رویکرد مختلف غیر خطی با استفاده از آنالیز موجک، مشخصه های مشابه هماهنگ سازی، و طبقه بندی کننده ی شبکه عصبی تابع پایه ی شعاعی(RBF) گزارش شده است]۳۵[. نویسنده ها دقت ۹۵۶ درصد را با یک واریانس ۷ درصد بدست آوردند.

عنوان انگلیسی:EEG Classification of ADHD and Normal Children Using Non-linear Features and Neural Network~~en~~

Abstract

Purpose Attention-Deficit Hyperactivity Disorder (ADHD) is a neuro-developmental disorder that is characterized by hyperactivity, inattention and abrupt behaviors. This study proposes an approach for distinguishing ADHD children from normal children using their EEG signals when performing a cognitive task. Methods In this study, 30 children with ADHD and 30 agematched healthy children without neurological disorders underwent electroencephalography (EEG) when performing a task to stimulate their attention. Fractal dimension (FD), approximate entropy and lyapunov exponent were extracted from EEG signals as non-linear features. In order to improve the classification results, double input symmetrical relevance (DISR) and minimum Redundancy Maximum Relevance (mRMR) methods were used to select the best features as inputs to multi-layer perceptron (MLP) neural network. Results As expected, children with ADHD had more delays and were less accurate in doing the cognitive task. Also, the extracted non-linear features revealed that non-linear indices were greater in different regions of the brain of ADHD children compared to healthy children. This could indicate a more chaotic behavior of ADHD children while performing a cognitive task. Finally, the accuracy of 92.28% and 93.65% were achieved using mRMR method and DISR method using MLP, respectively. Conclusions The results of this study demonstrate the ability of the non-linear features to distinguish ADHD children from healthy children.

DISCUSSION AND CONCLUSION ADHD

is a disorder that is most common in children and its early diagnosis is important to prevent complications. In this paper, we presented an off-line and semi-automatic system to detect ADHD, using non-linear features of EEG signals. This system is based on non-linear (chaotic) features and neural network. So far, most studies have used linear features (spectral, time, spatial or time-frequency features) to discriminate ADHD patients [10, 14, 16, 32, 33]. Although some of these studies achieved promising results, the recent controversial issues [15] indicate that new advanced methods are needed to analyze the EEG signals. ADHD discriminating non-linear features of EEG has already been reported but only in adults. Ghassemi et al. [34] evaluated the non-linear features of EEG signals in 50 normal adult subjects and 10 ADHD adult subjects. They used the lyapunov exponent, the correlation dimension and wavelet-entropy features; and they could achieve 96% accuracy in ADHD diagnosis with wavelet-entropy feature. The imbalance between the number of participants in the two groups is evident in their work. Also, in another recent study, a different non-linear approach has been reported using wavelet analysis, synchronization likelihood features, and Radial Basis Function (RBF) neural network classifier [35]. The authors obtained the accuracy of 95.6% with a variance of 0.7%.

$$en!!