Low Dimensionality Temporal Characteristic Feature Extraction Approach and 1D-CNN for Diagnosing ADHD and Healthy Individuals

Mühendislik Bilimleri ve Araştırmaları Dergisi Pub Date : 2023-10-27 DOI:10.46387/bjesr.1336892

Kutlucan GÖRÜR

{"title":"Low Dimensionality Temporal Characteristic Feature Extraction Approach and 1D-CNN for Diagnosing ADHD and Healthy Individuals","authors":"Kutlucan GÖRÜR","doi":"10.46387/bjesr.1336892","DOIUrl":null,"url":null,"abstract":"EEG sinyalleri, bir çocukluk nörogelişimsel bozukluğu olan ADHD/ Attention Deficit Hyperactivity Disorder (Dikkat Eksikliği Hiperaktivite Bozukluğu) ile ilgili kritik bilgileri ayıklamak için güvenilir bir şekilde kullanılabilir. ADHD'nin erken tespiti, bu bozukluğun gelişimini azaltmak ve uzun vadeli etkisini azaltmak için önemlidir. Bu çalışmanın amacı, katılımcıların ekran üzerindeki rakamları takip etmeleri istenirken toplanan Elektroensefalografi (EEG) sinyallerinden, t-SNE tekniği ile zaman alanında özellik çıkarıldıktan sonra, RNN (Recurrent Neural Network) derin öğrenme modelleri ile ADHD ve sağlıklı bireyleri ayıran yüksek bir tahmin başarısına sahip bir çalışma-çerçevesi tanımlamaktır. Çalışmaya 15 ADHD hastası ve 15 sağlıklı kontrol bireyi dahil edilmiştir. 15’er kişiden oluşan veri setleri (ACC: ≤100% ve AUC: 1), 10’ar kişiden oluşan veri setlerinden (ACC: ≥94.23% ve AUC: 1) daha başarılı sonuçlar ürettiğini göstermiştir. t-SNE, yüksek boyutlu özellik görselleştirme veri gösterim tekniği olarak kullanıldığında da her iki grubun da önemli ölçüde ayırt edilebildiğini ortaya koymuştur. Bulgular, ADHD'nin erken teşhisinde ve objektif tanısında yardımcı olacağı düşünülmektedir.","PeriodicalId":277860,"journal":{"name":"Mühendislik Bilimleri ve Araştırmaları Dergisi","volume":"51 7","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-10-27","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Mühendislik Bilimleri ve Araştırmaları Dergisi","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.46387/bjesr.1336892","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

EEG sinyalleri, bir çocukluk nörogelişimsel bozukluğu olan ADHD/ Attention Deficit Hyperactivity Disorder (Dikkat Eksikliği Hiperaktivite Bozukluğu) ile ilgili kritik bilgileri ayıklamak için güvenilir bir şekilde kullanılabilir. ADHD'nin erken tespiti, bu bozukluğun gelişimini azaltmak ve uzun vadeli etkisini azaltmak için önemlidir. Bu çalışmanın amacı, katılımcıların ekran üzerindeki rakamları takip etmeleri istenirken toplanan Elektroensefalografi (EEG) sinyallerinden, t-SNE tekniği ile zaman alanında özellik çıkarıldıktan sonra, RNN (Recurrent Neural Network) derin öğrenme modelleri ile ADHD ve sağlıklı bireyleri ayıran yüksek bir tahmin başarısına sahip bir çalışma-çerçevesi tanımlamaktır. Çalışmaya 15 ADHD hastası ve 15 sağlıklı kontrol bireyi dahil edilmiştir. 15’er kişiden oluşan veri setleri (ACC: ≤100% ve AUC: 1), 10’ar kişiden oluşan veri setlerinden (ACC: ≥94.23% ve AUC: 1) daha başarılı sonuçlar ürettiğini göstermiştir. t-SNE, yüksek boyutlu özellik görselleştirme veri gösterim tekniği olarak kullanıldığında da her iki grubun da önemli ölçüde ayırt edilebildiğini ortaya koymuştur. Bulgular, ADHD'nin erken teşhisinde ve objektif tanısında yardımcı olacağı düşünülmektedir.

查看原文本刊更多论文

低维时间特征提取方法和1D-CNN诊断ADHD与健康个体

脑电信号可以可靠地用于提取有关注意力缺陷多动障碍（ADHD）的重要信息。早期发现多动症对减少这种疾病的发展和减轻其长期影响非常重要。本研究的目的是定义一个预测成功率高的框架，在使用 t-SNE 技术从参与者被要求跟随屏幕上的数字时收集的脑电图（EEG）信号中进行时域特征提取后，利用 RNN（循环神经网络）深度学习模型区分多动症和健康人。研究对象包括 15 名多动症患者和 15 名健康对照组受试者。由 15 人组成的数据集（ACC：≤100%，AUC：1）比由 10 人组成的数据集（ACC：≥94.23%，AUC：1）产生了更好的结果。研究结果被认为有助于早期发现和客观诊断多动症。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Mühendislik Bilimleri ve Araştırmaları Dergisi

自引率

0.00%

发文量