شناسايي بيماران نقص توجه-بيش فعال با استفاده از ويژگي‌هاي برمبناي موجك سيگنال‌هاي EEG

اختلال توجه-بيش فعالي (ADHD)، نوعي بيماري رواني توسعه عصبي است كه باعث عدم توجه، اضطراب، بيش فعالي و رفتارهاي تكانشگري فرد مي‌شود. اين بيماري بيشتر دركودكان ديده مي‌شود و به‌طور مستقيم منجر به ناتواني آن‌ها در يادگيري مي‌شود. هدف اين مطالعه، ارايه سيستمي به‌منظور شناسايي دقيق‌تر بيماران ADHD با استفاده از ويژگي‌هاي برمبناي موجك سيگنال‌هاي مغزي (EEG) است. سيگنال‌هاي EEG ثبت شده از 61 كودك ADHD(شناسايي شده بر مبناي معيار DSMIV) و60 كودك سالم به عنوان گروه كنترل در محدوده سني 712 سال براي طراحي سيستم مورد استفاده قرارگرفتند. در روش پيشنهادي، سيگنال‌هاي EEG با اعمال تبديل موجك به زيرباندهايي تجزيه شدند؛ و براي نسخه زماني سيگنال‌ها در هر زيرباند، ويژگي‌هاي زماني و آماري محاسبه شدند. مجموعه ويژگي كاهش يافته با روش تحليل مولفه اصلي (PCA) سپس براي آموزش واحد طبقه‌بندي به منظور شناسايي بيماران ADHD از افراد سالم به‌كار رفت. براي كسب نتايج مطلوب، انواع مختلف توابع موجك و سطوح تجزيه مورد بررسي قرارگرفتند. تابع موجك bior3.1با روش طبقه‌بندي ماشين بردار پشتيبان (SVM)و تابع موجك rbio1.1 با روش طبقه‌بندي k نزديكترين همسايه (kNN) با كسب دقت‌هاي شناسايي به‌ترتيب 98.33 و 99.17 درصد، بهترين عملكرد را ارايه كردند. روش طبقه‌بندي SVM با تابع كرنل پايه شعاعي (RBF) و روش kNN با تعداد همسايگي k=3 بهترين نتايج را كسب كردند. نتايج به‌دست آمده در اين مطالعه، در مقايسه با نتايج گزارش شده در مطالعات قبلي حداقل 2% بهبود در دقت شناسايي بيماران ADHD را نشان دادند.