**************************** نشریه علمی «پردازش علائم و دادهها» با مجوز رسمی از کمیسیون نشریات وزارت علوم، تحقیقات و فناوری، صاحب امتیاز: پژوهشگاه توسعه فناوریهای پیشرفته ****************************
Signal and Data Processing Journal A scientific journal officially licensed by the Commission for Scientific Publications of the (MSRT). Publisher: Research Ceter for Developmen of Technologies
دوره 22، شماره 4 - ( 12-1404 )
جلد 22 شماره 4 صفحات 19-38 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Alidoust Ghadikolayi A A, Nasrabadi A M, Malayeri S. ADHD recognition by processing nonlinear features of ABR based on a new innovative method for extracting Geometry features from phase space trajectory. JSDP 2026; 22 (4) : 2
URL: http://jsdp.rcisp.ac.ir/article-1-1436-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1436-fa.html
علی دوست قادیکلایی علی اکبر، نصرآبادی علی مطیع، ملایری سعید. تشخیص بیماری ADHD بهوسیله پردازش غیرخطی پاسخ برانگیخته شنوایی ساقه مغز (ABR). پردازش علائم و دادهها. 1404; 22 (4) :38-19
استاد گروه مهندسی پزشکی، دانشکده فنی و مهندسی دانشگاه شاهد، تهران، ایران
چکیده: (338 مشاهده)
تشخیص ADHD در سالهای نخست تولد، برای طراحی برنامه درمانی بهتر برای بیماران ضروری است؛ بر اساس آخرین پژوهشها، تشخیص این اختلال از روی ABR[1] روشی مؤثر است. باتوجه به اینکه در اصل ABR غیرخطی است، پردازش غیرخطی میتواند برای طبقهبندی گروههای نرمال و [2]ADHD از یکدیگر مؤثرتر باشد. در این پژوهش، سیگنال ABR دو گروه از کودکان شامل 37 کودک عادی و 31 کودک دارای اختلال ADHD ثبت شدهاست. در ابتدا سیگنال زمانی دوبعدی ABR با روش جایگذاری[3] به سیگنال سهبعدی تبدیل شد تا از روی آن فضای فاز سیگنال ترسیم شود. در فضای فاز به بررسی صحت این فرض که ممکن است سیگنالهای نرمال و ADHD در زمانهای متفاوت در نوع حضور و حرکت بین محوطههای مختلف فضای فاز تفاوت داشته باشند پرداخته شد؛ به این منظور ابتدا فضای فاز به المانهای حجم[4] مساوی بسته به طول هر سیگنال تقسیمبندی شد و سپس با تعریف و استخراج ویژگیهای هندسی جدید در فضای فاز، روش جدیدی برای طبقهبندی دو گروه ارائه شدهاست. این رویکرد شامل بررسی اشغال فضای وکسلها بهوسیله نقاط ترژکتوری دادهها در فضای فاز است؛ درنهایت کارایی این روش و ویژگیها ارزیابی شد و بهترین نتیجه در ویژگی مینیمم محلی استخراجشده با روش جدید و با استفاده از طبقهبندیکنندههای KNN و SVM مشاهده شد. بهترین دقت حدود 98.53 است که افزایش قابلتوجهی در دقت را در مقایسه با رویکردهای پردازش خطی نشان میدهد.
شمارهی مقاله: 2
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1403/5/13 | پذیرش: 1404/4/30 | انتشار: 1404/12/29 | انتشار الکترونیک: 1404/12/29
دریافت: 1403/5/13 | پذیرش: 1404/4/30 | انتشار: 1404/12/29 | انتشار الکترونیک: 1404/12/29
فهرست منابع
1. E. Lahat, E. Avital, J. Ban, M. Berkovitch, A. Arlazoroff, and M. Aladjem, "BAEP studies in children with attention deficit disorder," Developmental Medicine & Child Neurology, vol. 37, (2). 119-123, 1995. [DOI:10.1111/j.1469-8749.1995.tb11980.x]
2. A. Puente, A. Ysunza, M. Pamplona, A. Silva-Rojas, and C. Lara, "Short latency and long latency auditory evoked responses in children with attention deficit disorder," International Journal of Pediatric Otorhinolaryngology, vol. 62, no. 1, pp. 45-51, 2002. [DOI:10.1016/S0165-5876(01)00596-1]
3. J. B. Firszt, R. D. Chambers, N. Kraus, and R. M. Reeder, "Neurophysiology of cochlear implant users I: Effects of stimulus current level and electrode site on the electrical ABR, MLR, and N1-P2 response," Ear and Hearing, vol. 23, no. 6, pp. 502-515, 2002. [DOI:10.1097/00003446-200212000-00002]
4. N. Russo, T. Nicol, G. Musacchia, and N. Kraus, "Brainstem responses to speech syllables," Clinical Neurophysiology, vol. 115, no. 9, pp. 2021-2030, 2004. [DOI:10.1016/j.clinph.2004.04.003]
5. B. Wible, T. Nicol, and N. Kraus, "Atypical brainstem representation of onset and formant structure of speech sounds in children with language-based learning problems," Biological Psychology, vol. 67, no. 3, pp. 299-317, 2004. [DOI:10.1016/j.biopsycho.2004.02.002]
6. N. Russo, T. Nicol, G. Musacchia, and N. Kraus, "Brainstem responses to speech syllables," Clinical Neurophysiology, vol. 115, no. 9, pp. 2021-2030, 2004. [DOI:10.1016/j.clinph.2004.04.003]
7. N. Russo, T. Nicol, B. Trommer, S. Zecker, and N. Kraus, "Brainstem transcription of speech is disrupted in children with autism spectrum disorders," Developmental Science, vol. 12, no. 4, pp. 557-567, 2009. [DOI:10.1111/j.1467-7687.2008.00790.x]
8. N. Vaney, Y. Anjana, and F. Khaliq, "No auditory conduction abnormality in children with attention deficit hyperactivity disorder," Functional Neurology, vol. 26, no. 3, p. 159, 2011.
9. اسماعیلپور، ز. (۱۳۹۱)، «بکارگیری روشهای غیرخطی در تشخیص و طبقهبندی کودکان مبتلا به ADHD با استفاده از پاسخ شنوایی ساقه مغز و طبقهبندی کنندة Wavelet-SVM»، پایاننامة کارشناسی ارشد، دانشگاه شاهد، تهران، ایران.
9. Z. Esmailpour, "Application of nonlinear methods in diagnosis and classification of children with ADHD using auditory brainstem response and Wavelet-SVM classifier," M.S. thesis, Shahed University, Tehran, Iran, 2012.
10. R. Sharma and R. B. Pachori, "Classification of epileptic seizures in EEG signals based on phase space representation of intrinsic mode functions," Expert Systems with Applications, vol. 42, no. 3, pp. 1106-1117, 2015. [DOI:10.1016/j.eswa.2014.08.030]
11. R. Y. Karimui and S. Azadi, "Cardiac arrhythmia classification using the phase space sorted by Poincare sections," Biocybernetics and Biomedical Engineering, vol. 37, no. 4, pp. 690-700, 2017. [DOI:10.1016/j.bbe.2017.08.005]
12. R. Y. Karimui, S. Azadi, and P. Keshavarzi, "The ADHD effect on the high-dimensional phase space trajectories of EEG signals," Chaos, Solitons & Fractals, vol. 121, pp. 39-49, 2019. [DOI:10.1016/j.chaos.2019.02.004]
13. M. Z. Soroush, K. Maghooli, S. K. Setarehdan, and A. M. Nasrabadi, "Emotion recognition through EEG phase space dynamics and Dempster-Shafer theory," Medical Hypotheses, vol. 127, pp. 34-45, 2019. [DOI:10.1016/j.mehy.2019.03.025]
14. A. M. Nasrabadi, "Emotion recognition through EEG phase space dynamics and Dempster-Shafer theory," Medical Hypotheses, vol. 127, pp. 34-45, 2019. [DOI:10.1016/j.mehy.2019.03.025]
15. H. Ansarinasab, A. Mohammadi, and F. Rahmani, "Nonlinear analysis of brain functional networks in children with ADHD using correlation probability of recurrences (CPR)," Journal of Neuroscience Methods, vol. 398, pp. 109852-109863, 2023.
16. K. Curtin, M. Wang, and R. Stern, "Application of recurrence quantification analysis (RQA) to explore dynamic patterns of default mode network in children with ADHD using fMRI," Biological Psychiatry, vol. 92, no. 4, 257-268, 2022.
17. J. Sun, Y. Zhao, and K. Chen, "Investigation of speech auditory brainstem response (speech-ABR) characteristics in preschool children with ADHD," Journal of Speech, Language, and Hearing Research, vol. 67, 2, 452-461, 2024. [DOI:10.1044/2024_JSLHR-23-00454]
18. مهرنام، ع.، احمدی، م.، ربیعی، ع. (۱۳۹۲)، «تحلیل سیگنالهای مغزی با استفاده از نمودارهای بازگشتی و کاربرد آن در شناسایی پاسخهای تکآزمونERP»، نشریة پردازش علائم و دادهها، ۱۰(۴)، صص ۱-۱۰.
18. A. Mehrnam, M. Ahmadi, and A. Rabiei, "Analysis of brain signals using recurrence plots and its application in single-trial ERP detection," Journal of Signal and Data Processing, vol. 10, no. 4, pp. 1-10, 2013.
19. جعفری، ز. (۱۳۸۹)، درسنامة پاسخهای برانگیخته شنوایی، تهران: انتشارات دانژه.
19. Z. Jafari, Auditory Evoked Responses, Tehran, Iran: Danjeh Publications, 2010.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |