جدا سازي كودكان سالم از بيماران بيش فعال از روي زيرباندهاي ويولت سيگنال مغزي با استفاده از ويژگي هاي آشوب گونه

EEG classification of ADHD and normal subjects using Wavelet and chaotic features

بيش فعالي اختلالي است كه در آن پرتحركي، بي توجهي و رفتارهاي ناگهاني بيشتر و شديدتر ازكودكان ديگر وجود دارد. تشخيص كودكان مبتلا به اختلال بيش فعالي_تكانش گري با استفاده از بررسي هاي باليني انجام مي شود. دراين مطالعه دو گروه از افراد نرمال و افراد مبتلا به اختلال بيش فعالي_ تكانش گري كه كودكان در رنج سني 10تا 15 سال بودند، موردبررسي قرار گرفتند. 10 نفر از اين كودكان متعلق به گروه كنترل و 12 نفر آنها متعلق به گروه بيمار بودند. ويژگي هاي 13 گانه منحني هاي بازگشتي از امواج مغزي اين كودكان كه توسط دستگاه الكتروانسفالوگرم ثبت شده بود، از زيرباندهاي فركانسي امواج مغزي با استفاده از تبديل ويولت استخراج شدند. كلاس بندي با استفاده از روش نزديك ترين همسايه اشتباه انجام شد و در بهترين حالت نتايج 99% بدست آمد.

ADHD is a neurobehavioral disorder and its symptoms are mostly inattentiveness, hyperactivity and impulsivity.in this study two groups of 10-15 years old of Normal and ADHD diagnosed children participated in this study. The experimental group consisting of 12 ADHD children was compared to control group consisting of 10 normal children. 13 features were extracted using cross-recurrence quantification analysis (crqa) from different EEG sub-bands of both experimental and control groups. Finally two groups were 99% separated applying KNN classifier.