تحلیل اختلال نارسایی توجه/بیشفعالی با استفاده از معیارهایqEEG
[پایاننامه]
Analysis of Attention-Deficit/Hyperactivity Disorder (ADHD) using qEEG measures
/مریم رضاییزاده
: مهندسی پزشکی
، ۱۳۹۸
۱۲۹ص.
:
زبان: فارسی
زبان چکیده: فارسی
چاپی - الکترونیکی
مصور، جدول، نمودار
کارشناسی ارشد
مهندسی پزشکی- بیوالکتریک
۱۳۹۸/۰۶/۰۱
صنعتی سهند
اختلال کمبود توجه/بیشفعالی(ADHD) ، مرسومترین اختلال دورهی کودکی است که به طور معمول ۵-۳ درصد کودکان در سنین مدرسه به این اختلال دچار هستند .از آنجا که این اختلال دارای علائم اختصاصی نیست، معیار تشخیصی دقیقی برای آن وجود ندارد و تنها با استفاده از پرسشنامههای مرتبط مورد بررسی و تشخیص قرار میگیرد ADHD .یک اختلال عصبی است که میتوان با استفاده از سیگنالهای مغزی (EEG) آن را مورد تحلیل و بررسی قرار داد .در این پژوهش، هدف بررسی دینامیکهای خطی و غیرخطی ADHD با استفاده از معیارهای تکمتغیره و چندمتغیره است، که در تحلیلهای غیرخطی بر معیارهای مبتنی بر انتروپی تمرکز شده است .دو الگوریتم برای تفکیک سیگنالهای مغزی کودکان ADHD از کودکان سالم ارائه شده است .الگوریتم اول مبتنی بر طبقهبندی بر اساس ویژگیهای خطی و غیرخطی تکمتغیره و الگوریتم دوم مبتنی بر طبقهبندی بر اساس نواحی مختلف مغز با استفاده از ویژگیهای چندمتغیرهی استخراج شده از لوبهای مغز هستند .ویژگیهای خطی تکمتغیره، شامل توان متوسط کانالها و معیارTBR ، و ویژگیهای غیرخطی تکمتغیره، شامل انتروپیهای شنون، الگو، پراکندگی و انتروپی نمونهی چند مقیاسه(MSE) ، از کانالها استخراج شدهاند .معیارهای چندمتغیره، شامل انتروپی نمونه ی چندمتغیره (mvSE) و انتروپی نمونه ی چندمقیاسهی چندمتغیره(mvMSE) ، با در نظر گرفتن ارتباطات و همبستگیهای درون کانالها از لوبهای مغزی استخراج شدهاند .طبقهبندی بر اساس ویژگیهای استخراج شده با استفاده از طبقهبندهای ماشین بردار پشتیبان (SVM) با سه کرنل متفاوت آن، k نزدیکترین همسایگی (kNN) و شبکه عصبی احتمالاتی (PNN) انجام شده است .نتایج حاصل از پیادهسازی الگوریتمهای پیشنهادی حاکی از آن است که معیارهای مبتنی بر انتروپی عملکرد مناسبی در تفکیک سیگنالهای مغزی کودکان ADHD و سالم دارند و بهترین تفکیک بر اساس معیارهای تکمتغیرهی استخراج شده از کانالها، در استفاده از طبقهبند SVM با کرنل RBF و بر اساس بردار ترکیبی ویژگیهای غیرخطی به دست آمده که برابر ۹۹/۵۸ است .همچنین، در طبقهبندی بر اساس نواحی مغزی، بیشترین درصد صحت با استفاده از PNN و بر اساس معیار mvSE به دست آمده که برابر۹۰/۶۳ است .به علاوه، تخمین پیچیدگی سیگنالهایEEG ، با تاکید بر مفهوم غنای ساختاری معنادار و نه نظم و قابل پیشبینی بودن منتج از مقادیر انتروپیها، با استفاده از تحلیل چندمقیاسهی انتروپی نمونه برای کانالها و همچنین نواحی مختلف مغزی با در نظر گرفتن ارتباطات کانالی انجام گرفته است .تحلیل پیچیدگی بیانکنندهی کاهش پیچیدگی سیگنالهای مغزی کودکان ADHD در مقایسه با کودکان سالم است.
Attention Deficit Hyperactivity Disorder (ADHD) is a common neuro-developmental disorder of childhood. In this study we propose two classification algorithms for discriminating ADHD children from normal children using their resting state Electroencephalography (EEG) signals. One algorithm is based on the univariate features extracted from individual EEG recording channels and the other is based on the multivariate features extracted from brain lobes. We focused on entropy measures as non-linear univariate and multivariate features. Average power, Theta/Beta Ratio (TBR), Shannon Entropy (ShanEn), Sample Entropy (SampEn), Dispersion Entropy (DispEn) and Multi-Scale SampEn (MSE) were extracted as linear and non-linear univariate features. Besides, multivariate SampEn (mvSE) and multivariate MSE (mvMSE) were extracted as non-linear multivariate features. Classification was followed by three classifiers: Support Vector Machines (SVM) with different kernels, k-Nearest Neighbor (kNN) and Probabilistic Neural Network (PNN). Complexity analysis of multi-channel EEG data was performed using mvMSE approach. Entropy mapping as a useful tool was used to visually track changes of entropies in various brain regions. Based on achieved results, ADHD children have higher brain activity and TBR compared to normal children, while their neural system is more regular. Besides, ADHD children have reduced dynamical complexity of neural system. Finally, the accuracy of 99.58 was achieved in classification based on a combination of non-linear univariate features by Radial Basis Function (RBF) SVM. For classification based on brain regions using multivariate features, 90.63 accuracy was achieved by PNN.
ba
Analysis of Attention-Deficit/Hyperactivity Disorder (ADHD) using qEEG measures