تشخيص كم‌توجهي- بيش‌فعالي (ADHD) مبتني ‌بر الگوريتم تكاملي با طول متغير

Diagnosis of Attention-Deficit/Hyperactivity Disorder (ADHD) based on Variable Length Evolutionary Algorithm

روش‌هايي كه امروزه براي بررسي ارتباطات مغز به منظور تشخيص بيماري‌هاي مرتبط با عملكرد مغز استفاده مي‌شود، روش تصويرنگاري عملكردي تشديد مغناطيسي در حالت استراحت مي‌باشد. در اين مقاله، يك روش جديد با استفاده از الگوريتم تكاملي با طول متغير براي انتخاب ويژگي‌هاي مناسب جهت بهبود دقت تشخيص افراد سالم و بيمار به اختلال كم‌توجهي- بيش‌فعالي از يكديگر مبتني ‌بر تحليل تصاوير rs-fMRI ارائه شده است. ويژگي‌هاي مورد بررسي مقادير همبستگي ميان سيگنال‌هاي سري زماني مناطق مختلف مغز مي‌باشند. انتخاب ويژگي با طول متغير بر اساس الگوريتم زنبور عسل جهت غلبه بر مشكل انتخاب ويژگي در الگوريتم‌هاي با طول بردار ويژگي ثابت صورت گرفت. فاصله ماهالانوبيس به عنوان تابع ارزيابي الگوريتم رنبور عسل استفاده شده است. كارايي الگوريتم از لحاظ مقدار تابع ارزيابي در درجه اول و زمان پردازش در درجه دوم مورد بررسي قرار گرفته شد. نتايج به‌دست‌آمده از كارايي به مراتب بالاتر الگوريتم زنبور عسل با طول متغير نسبت به ساير روش‌هاي انتخاب ويژگي حكايت دارد. در حالي كه بهترين نتيجه صحت طبقه‌بندي كلي در ميان ساير روش‌ها با 26 ويژگي منتخب از الگوريتم اجتماع ذرات، 76/61% مي‌باشد، روش پيشنهادي توانسته به مقدار صحت طبقه‌بندي كلي 85/32% با انتخاب 25 ويژگي دست يابد. طبيعت داده به صورتي است كه افزايش تعداد ويژگي‌ها منجر به بهبود بيشتر صحت طبقه‌بندي مي‌شود به گونه‌اي كه با افزايش طول بردار ويژگي به 35 و 45 صحت طبقه‌بندي به‌ترتيب به 91/66% و 95/57% رسيده است.

The methods used today to investigate brain connections to diagnose brain-related diseases are the imaging method of resting magnetic resonance imaging. In this paper, a new method is proposed using an evolutionary variable-length algorithm to select the appropriate features to improve the accuracy of the diagnosis of healthy and patient-to-patients with attention deficit hyperactivity disorder based on analysis of rs-fMRI images. The characteristics examined are the correlation values between the time series signals of different regions of the brain. Selection of the variable-length property were based on the honey bee algorithm in order to overcome the problem of feature selection in algorithms with fixed-length vector lengths. The Mahalanubis distance has been used as a bee algorithm evaluation function. The efficiency of the algorithm was evaluated in terms of the value of the evaluation function in the first degree and the processing time in the second degree. The results obtained from the significantly higher efficiency of the variable-length bee algorithm than other methods for selecting the feature. While the best result of the overall categorization accuracy among the other methods with the 26 selected characteristics of the PSO algorithm is 76.61%, the proposed method can achieve a total classification accuracy of 85.32% by selecting 25 features. The nature of the data is such that the increase in the number of attributes leads to a greater improvement in the accuracy of the classification so that by increasing the length of the characteristic vector to 35 and 45, classification accuracy was 91.66% and 95.57% respectively.