طراحی یک طبقه بندی کننده ی ترکیبی به منظور افزایش نرخ باز شناسی

بیماران پیش فعال و دو قطبی بویژه در بین کودکان علائم بالینی مشابه از خود بروز می دهند، از این رو برای روانپزشکان بسیار حائز اهمیت می باشد که با استفاده از یک معیار کمی این دو بیماری از یکدیگر تشخیص داده شوند. در این رساله یک طبقه بندی کننده قابل اعمال بر ویژگیهای مستخرج از سیگنالهای مغزی با هدف افزایش دقت بازشناسی بیماران پیش فعال و دوقطبی از یکدیگر ارائه گردیده است. داده های استخراج شده از دو گروه بیماران از همپوشانی بالایی برخوردارند. بعلاوه پخشش داده ها در فضای ویژگیها چند قطبی می باشد. نظر به این ویژگیهای داده ها و عمومیت و کارایی طبقه بندی کننده های خطی بر ویژگیهای حاصل از سیگنالهای مغزی، یک طبقه بندی کننده تکه ای خطی به منظور افزایش اجتناب از مشکل انطباق بر داده های یادگیری می تواند مفید واقع شود. در این راستا سیستم های طبقه بندی کننده توسعه یافته که به منظور تخمین توابع به کار می رود (xcsf) با به کاربردن عملگرهای ژنتیک تطبیقی تغییریافته است. یک نرخ جهش تطبیقی که متناسب با محتوای جنوتیپیکی افراد و کارایی آنها در هر نسل می باشد با هدف حفظ پراکندگی در بین طبقه بندی کننده های جمعیت و اجتناب از همگرایی زودرس ارائه گردید. در این بررسی 43 بیمار مشتمل بر 21 بیمار مبتلا به پیش فعالی و 22 بیمار دوقطبی مشارکت داشته اند. سیگنال مغزی بیماران از طریق 22 الکترود و در دو حالت چشم باز و چشم بسته ثبت گردید. چندین ویژگی حاوی اطلاعات از کانالهای سیگنالهای ثبت شده تولید می گردند. به منظور یک مقایسه منصفانه دیگر طبقه بندی کننده های متدوال روی سیگنالهای مغزی از قبیل lda، svm، bjdlda، nn1 و xcsf روی مجموعه داده مورد بررسی قرار گرفتند. نتایج تجربی برتری روش پیشنهادی در قیاس با طبقه بندی کننده های مقایسه شده را نشان می دهد که در آن وِیژگیهای سیگنالهای مغزی بیماران adhd و bmd با دقت 88% از یکدیگر جدا شدند. برای نشان دادن پایداری این روش نویز سفید با دامنه های متفاوت به سیگنال افزوده شد و میزان حساسیت روش ارائه شده با روشهای سنتی مقایسه شد و نتایج مقاوم بودن روش ارائه شده نسبت به غالب روشهای پیشین را نشان داد.