شناسایی بیماران نقص توجه-بیش فعال با استفاده از ویژگی های برمبنای موجک سیگنال های EEG

اختلال توجه-بیش فعالی (ADHD)، نوعی بیماری روانی توسعه عصبی است که باعث عدم توجه، اضطراب، بیش فعالی و رفتارهای تکانشگری فرد می شود. این بیماری بیشتر درکودکان دیده می شود و به طور مستقیم منجر به ناتوانی آن ها در یادگیری می شود. هدف این مطالعه، ارایه سیستمی به منظور شناسایی دقیق تر بیماران ADHD با استفاده از ویژگی های برمبنای موجک سیگنال های مغزی (EEG) است. سیگنال های EEG ثبت شده از 61 کودک ADHD(شناسایی شده بر مبنای معیار DSM-IV) و60 کودک سالم به عنوان گروه کنترل در محدوده سنی 7-12 سال برای طراحی سیستم مورد استفاده قرارگرفتند. در روش پیشنهادی، سیگنال های EEG با اعمال تبدیل موجک به زیرباندهایی تجزیه شدند؛ و برای نسخه زمانی سیگنال ها در هر زیرباند، ویژگی های زمانی و آماری محاسبه شدند. مجموعه ویژگی کاهش یافته با روش تحلیل مولفه اصلی (PCA) سپس برای آموزش واحد طبقه بندی به منظور شناسایی بیماران ADHD از افراد سالم به کار رفت. برای کسب نتایج مطلوب، انواع مختلف توابع موجک و سطوح تجزیه مورد بررسی قرارگرفتند. تابع موجک bior3.1با روش طبقه بندی ماشین بردار پشتیبان (SVM) و تابع موجک rbio1.1 با روش طبقه بندی k نزدیکترین همسایه (kNN) با کسب دقت های شناسایی به ترتیب 98.33 و 99.17 درصد، بهترین عملکرد را ارایه کردند. روش طبقه بندی SVM با تابع کرنل پایه شعاعی (RBF) و روش kNN با تعداد همسایگی k=3 بهترین نتایج را کسب کردند. نتایج به دست آمده در این مطالعه، در مقایسه با نتایج گزارش شده در مطالعات قبلی حداقل 2% بهبود در دقت شناسایی بیماران ADHD را نشان دادند.