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

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.