نجمه جباری دیزیچه
پیاده سازی روش های تجزیه ترکیبی و یادگیری عمیق برای تشخیص اختلال نقص توجه و بیش فعالی با استفاده از سیگنال هایالکتروانسفالوگرافی
- دانشجو
- نجمه جباری دیزیچه
- استاد راهنما
- محمد بحرانی
- استاد مشاور
- محمدرضا صالحی راد
- استاد داور
- فرزاد اسکندری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- علوم ریاضی و رایانه
- شماره ساختمان محل ارائه
- ۸۷
- نام کلاس محل ارائه
- کلاس ۲۰۵[۳۱۲۰۵]
- شماره کلاس محل ارائه
- ۱۱۰
- تاریخ دفاع
- ۲۲ اسفند ۱۴۰۳
- ساعت دفاع
- ۱۷:۰۰
- چکیده
-
این پژوهش به بررسی پیاده‌سازی روش‌های تجزیه ترکیبی و یادگیری عمیق برای تشخیص اختلال نقص توجه و بیش‌فعالی با استفاده از سیگنال‌های الکتروانسفالوگرافی می‌پردازد. اختلال نقص توجه و بیش‌فعالی یکی از شایع‌ترین اختلالات عصبی - روانی در کودکان است که بر عملکرد تحصیلی و شغلی تأثیرگذار است. با وجود نیاز به یک ابزار ارزیابی عینی و مستقل از نظرات شخصی، روش‌های فعلی تشخیص اختلال نقص توجه و بیش‌فعالی اغلب ذهنی و مستعد سوگیری هستند.
این پژوهش با هدف ارائه رویکردی جامع و دقیق برای تشخیص این اختلال، الگوریتم‌های یادگیری عمیق مانند شبکه‌های عصبی پیچشی را با روش‌های تجزیه سیگنال پیشرفته مانند تجزیه میانگین محلی استوار و تجزیه حالت متغیر ترکیب می‌کند.
کاربردهای بالینی این پژوهش می‌تواند به تشخیص سریع‌تر و دقیق‌تر اختلال نقص توجه و بیش‌فعالی، ارائه مداخلات به‌موقع و بهبود مدیریت کلی این اختلال کمک کند. در نهایت، این پژوهش نشان دهنده توانایی بالای روش‌های یادگیری عمیق و تجزیه سیگنال پیشرفته در بهبود فرآیند تشخیص و مدیریت اختلال نقص توجه و بیش‌فعالی است.
- Abstract
-
This study explores the implementation of hybrid decomposition methods and deep learning for the diagnosis of Attention Deficit Hyperactivity Disorder (ADHD) using electroencephalography (EEG) signals. ADHD is one of the most common neuropsychological disorders in children, significantly impacting academic and occupational performance. Despite the need for an objective assessment tool independent of subjective opinions, current ADHD diagnostic methods are often subjective and prone to bias.
This research aims to provide a comprehensive and accurate approach for diagnosing ADHD by combining deep learning algorithms, such as Convolutional Neural Networks (CNN) , with advanced signal decomposition methods like Robust Local Mean Decomposition (RLMD) and Variational Mode Decomposition (VMD).
The clinical applications of this research could lead to faster and more accurate diagnosis of ADHD, timely interventions, and improved overall management of the disorder. Ultimately, this study demonstrates the high potential of advanced deep learning and signal decomposition methods in enhancing the diagnostic and management processes of ADHD.