بخشی از مقاله
چکیده:
اختلال بیش فعالی و کمبود توجه شرایطی را برای کودک ایجاد میکند که نتواند آرام و بدون حرکت بنشیند، رفتارش را کنترل کرده و توجه خود را به یک موضوع خاص معطوف کند. از هر 100 کودک 5 کودک، مبتلا به این بیماری میباشند. پسران سه برابر بیش از دختران در معرض ابتلا به این عارضه قرار دارند. اغلب این اختلال قبل از 7 سالگی آغاز میشود و ممکن است والدین تا وقتی که فرزندشان بزرگتر نشده، متوجه مشکل او نگردند. کودکان مبتلا به بیشفعالی و کمبود توجه در معرض خطر بالایی از اختلال رفتار، شخصیت ضد اجتماعی و سوءمصرف مواد مخدر قرار دارند. اکثر کودکان مبتلا به این بیماری دچار احساس افسردگی، اضطراب و عدم اعتمادبهنفس میشوند. با توجه به اهمیت این موضوع در این پژوهش، از شبکههای باور عمیق به عنوان یک مدل یادگیری عمیق برای پیشبینی بیماری مذکور استفاده شده است. الگوریتم پیشنهادی روی مجموعه داده استاندارد رقابتهای جهانی ADHD-200 که شامل مجموعه داده Neuro Image و NYU است اجراشده و با الگوریتمهای شناختهشده دیگر مورد مقایسه قرار گرفته است. نتایج به دست آمده نشان میدهد که روش پیشنهادی برتری امیدوارکننده ای نسبت به سایر الگوریتم های شناخته شده و محبوب دارد.
-1 مقدمه:
اختلال بیشفعالی و کمبود توجه 1یک اختلال رفتاری و رشدی است کهمعمولاً کودکان توانایی تمرکز بر روی یک موضوع را نداشته و یادگیری آنها کند است. آنها از فعالیت غیرمعمول برخوردار هستند. این اختلال با فقدان توجه، فعالیت بیش از حد، رفتارهای تکانشی یا ترکیبی همراه است. بسیاری از این کودکان یک یا چند اختلال رفتاری دیگری نیز دارد و همچنین ممکن است یک مشکل روانی مانند افسردگی یا اختلال دو قطبی داشته باشد. پزشکان معتقدند که افراد مبتلا به این بیماری فاقد میزان کافی از مواد شیمیایی خاص به نام واسطههای عصبی در مغز هستند این مواد شیمیایی در کنترل رفتار کمک میکنند. به علت اینکه ماهیت این بیماری به درستی مشخص نشده است، تشخیص به موقع این بیماری بسیار بااهمیت است و با توجه به مشکلات انسانی در تشخیص به موقع، تشخیص و طبقهبندی این بیماری بسیار مشکل است - . - Kuang and He, 2014 امروزه تشخیص این بیماری مورد توجه بسیاری از محققان قرار گرفته است - . - Guo & He, 2014 در سال 2015، واسلی ساچنیو - Tenev et - al, 2014 یک طرح طبقهبندی کارآمد برای اختلال نقص توجه و بیش فعالی بر مبنای سیستم عصبی- فازی 2ارائه کرده است در روش پیشنهادی مکانیسم انتخاب ویژگی مبتنی بر الگوریتم ژنتیک کد دودویی همراه با یادگیری ماشین افراطی3 است. در سال 2015، ریتو ایناکونی و همکارانش برای تشخیص الگو از الگوهای عملکردی و ساختاری افتراقی متعدد مغز در طبقهبندی نوجوان مبتلا به ADHD و کنترل استفاده کردهاند. در سال 2014، دیپنیگ کایونک و همکارش از ویژگیهای فراوانی در بردار مغز به عنوان یک بردار از ویژگیهای اولیه و از یادگیری عمیق برای استخراج ویژگی و طبقهبندی استفاده کردهاند. نتایج نشان میدهد روش ارائهشده در این مقاله عملکرد بهتری نسبت به سایر رقبا دارد. در سال 2014، آقای گو و همکارش - Igual et al, - 2012 از اطلاعات مربوط به fMRI در حالت استراحت استفاده نمودهاند همچنین الگوریتمی با نامG-Algoritum برای ساخت شبکه کل مغز معرفی نمودهاند. در سال 2013، الکساندر تینو و همکارانش روش یادگیری ماشین ترکیبی برای طبقهبندی زیرگروه اختلال بیش فعالی و کمبود توجه بزرگسالان بر اساس طیف قدرت اندازهگیری4معرفی کردهاند . در مجموعه داده آموزش از چهار طبقه بند SVM استفاده شده است درحالیکه خروجی طبقهبندیها شامل عبارات منطقی به دست آمده از نقشه کارنو است. نتایج نشاندهنده بهبود قابل توجه است. در سال 2012، فرناز قاسمی و همکارانش - Ghassemi, Hassan_Moradi, - Tehrani-Doost, & Abootalebi, 2012 به بررسی ویژگیهای غیرخطی سیگنال الکتروانسفالوگرام در بیماری ADHD پرداختهاند. در این پژوهش، سه ویژگی غیرخطی از سیگنالهای EEG،ADHD به طور جداگانه مورد بررسی قرارگرفته است که نشان میدهد رابطه معنیداری بین تظاهرات بالینی از شرکتکنندگان و برخی از ویژگیهای غیرخطی است.vدر سال 2012، برداخ آبی بولایو و همکارانش - - Abibullaev & An, 2012 یک سیستم پشتیبانی تصمیم در خصوص تشخیص اختلال ADHD از طریق سیگنالهای امواج مغز پیشنهاد کردهاند. هدف اصلی از این کار ارائه یک ابزار تشخیص حمایتی است که شامل پردازش سیگنال برای انتخاب ویژگی و الگوریتمهای یادگیری ماشین برای تشخیص است. در این پژوهش یک روش نیمه نظارتی برای بهروزرسانی مؤثر مجموعه آموزشی ارائه شده است. نتایج نشان میدهند که روش پیشنهادی دقت بالاتری نسبت به دیگر روشهای موجود در تشخیص اختلال ADHD دارد. در سال 2012، آنی الویان و همکارانش - Eloyan et al, 2012 - توانستهاند با استفاده از تصویربرداری و نشانگرهای زیستی روشی خودکار در تشخیص بیماری ADHD معرفی کنند. در این پژوهش، یک مدلی بر پایه علائم بیماری ADHD و با تمرکز بر حالت استراحت اتصال عملکردی5تصویربرداری ساختار مغز ایجاد شده است. امروزه شبکههای عصبی 6به دلیل قابلیت یادگیری ویژگیهای ترکیبی و جدید در لایههایی از سلولهای عصبی به طور گسترده در همه زمینههای دستهبندی مورد استفاده قرارگرفته است. مدلهای شبکه عمیق توسعهیافته مدلهای شبکه عصبی برای یادگیری تبدیل غیرخطی روی دادهها هستند. این مدلها در سالهای اخیر در همه زمینهها از جمله پردازش تصاویر ماهوارهای و پزشکی، پردازش متن و ... مورد توجه فراوان قرارگرفتهاند. یادگیری عمیق 7یک زیرشاخه از یادگیری ماشینی است که پایهی آن بر یادگیری و استخراج ویژگیها است. در یادگیری عمیق استخراج ویژگیهای مسئله با روشهای کامل خودکار بدون نظارت و نیمه نظارتی انجام میشود. در این مطالعه، از شبکه یادگیری عمیقی نام شبکه باور عمیق 8برای تشخیص بیماری ADHD استفاده شده است. سیستم پیشنهادی بر پایه ماشین بولتزمان ابتدا تعداد زیاد ویژگیهای مسئله که شامل ویژگیهایی از قبیل ویژگیهای استخراج شده از fMRI ، وضعیت تشخیصی، اقداماتADHD ، علائم ثانویه، سن، جنس، IQ وضعیت طول عمر دارو و غیره است را به ویژگیهای ترکیبی تبدیل میکند و سپس با استفاده از یک الگوریتم حریصانه لایههای مورد نیاز را انتخاب میکند. در انتها از یک لایه از سلولهای عصبی که از تابع فعالیت SoftMax استفاده میکند برای تشخیص بیماری ADHD استفاده میکند. سیستم پیشنهادی روی مجموعه داده استاندارد رقابتهای جهانیADHD-2009 که شامل دو مجموعه داده Neuro Image - Mennes, Biswal, Castellanos, & Milham, 2013 - و NYU - Mennes et al, 2013 - است اجرا شده و با الگوریتمهای شناختهشده دیگر مورد مقایسه قرار گرفته است. نتایج به دست آمده نشان میدهد که دقت سیستم پیشنهادی به ترتیب + 12,04 و + 27,81 روی مجموعه داده Neuro Image و NYU نسبت به الگوریتمهای دیگر بهبود داشته است.
-2 روش تحقیق
در این بخش، شبکه باور عمیق به همراه الگوریتم حریصانه مورد استفاده در طراحی شبکه عصبی تشریح میگردد.
1؛-2 شبکه باور عمیق:
