استفاده تشخیص کم‌توجهی - بیش‌فعالی (adhd) مبتنی ‌بر الگوریتم تکاملی با طول متغیر

روش‌هایی که امروزه برای بررسی ارتباطات مغز به منظور تشخیص بیماری‌های مرتبط با عملکرد مغز استفاده می‌شود، روش تصویرنگاری عملکردی تشدید مغناطیسی در حالت استراحت می‌باشد. در این مقاله، یک روش جدید با استفاده از الگوریتم تکاملی با طول متغیر برای انتخاب ویژگی‌های مناسب جهت بهبود دقت تشخیص افراد سالم و بیمار به اختلال کم‌توجهی بیش‌فعالی از یکدیگر مبتنی ‌بر تحلیل تصاویر rs-fmri ارائه شده است. ویژگی‌های مورد بررسی مقادیر همبستگی میان سیگنال‌های سری زمانی مناطق مختلف مغز می‌باشند. انتخاب ویژگی با طول متغیر بر اساس الگوریتم زنبور عسل جهت غلبه بر مشکل انتخاب ویژگی در الگوریتم‌های با طول بردار ویژگی ثابت صورت گرفت. فاصله ماهالانوبیس به عنوان تابع ارزیابی الگوریتم رنبور عسل استفاده شده است. کارایی الگوریتم از لحاظ مقدار تابع ارزیابی در درجه اول و زمان پردازش در درجه دوم مورد بررسی قرار گرفته شد. نتایج به‌دست‌آمده از کارایی به مراتب بالاتر الگوریتم زنبور عسل با طول متغیر نسبت به سایر روش‌های انتخاب ویژگی حکایت دارد. در حالی که بهترین نتیجه صحت طبقه‌بندی کلی در میان سایر روش‌ها با 26 ویژگی منتخب از الگوریتم اجتماع ذرات، 76.61% می‌باشد، روش پیشنهادی توانسته به مقدار صحت طبقه‌بندی کلی 85.32% با انتخاب 25 ویژگی دست یابد. طبیعت داده به صورتی است که افزایش تعداد ویژگی‌ها منجر به بهبود بیشتر صحت طبقه‌بندی می‌شود به گونه‌ای که با افزایش طول بردار ویژگی به 35 و 45 صحت طبقه‌بندی به‌ترتیب به 91.66% و 95.57% رسیده است.

Diagnosis of AttentionDeficit/Hyperactivity Disorder (ADHD) based on Variable Length Evolutionary Algorithm

The methods used today to investigate brain connections to diagnose brainrelated diseases are the imaging method of resting magnetic resonance imaging. In this paper, a new method is proposed using an evolutionary variablelength algorithm to select the appropriate features to improve the accuracy of the diagnosis of healthy and patienttopatients with attention deficit hyperactivity disorder based on analysis of rsfMRI images.The characteristics examined are the correlation values between the time series signals of different regions of the brain. Selection of the variablelength property were based on the honey bee algorithm in order to overcome the problem of feature selection in algorithms with fixedlength 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 variablelength 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.