مروری بر الگوریتم های یادگیری ماشین جهت تشخیص اوتیسم با استفاده از سیگنالEEG

نوع مقاله : مقاله مروری

نویسندگان

1 گروه مهندسی برق، دانشگاه فنی و حرفه ای، تهران، ایران

2 گروه مهندسی برق، دانشگاه اردکان، اردکان، ایران

3 گروه مهندسی برق، دانشگاه یزد، یزد، ایران

چکیده

بیماری اوتیسم یک اختلال عصبی و تکاملی است که اشخاص مبتلا به آن اغلب علائم یا رفتارهای محدود را نشان می‌دهند و بر اساس آزمون رفتاری تشخیص داده می‌شود. این اختلال عصبی با دیگر اختلالات عصبی مشابه می‌باشد به این علت تشخیص بیماری اوتیسم کار پیچیده‌ای است. اگر بیماری در سنین کم و به موقع تشخیص داده شود شدت بیماری و عوارض آن کم می‌شود. در سال‌های اخیر محققان با استفاده از بررسی سیگنال الکتروانسفالوگرافی  (EEG)به تشخیص بیماری اوتیسم پرداخته‌اند. در تشخیص بیماری اوتیسم با استفاده از سیگنال EEG از الگوریتم‌های یادگیری ماشین استفاده شده ‌است که کاربر انسانی توانسته است با تجزیه و تحلیل ویژگی‌های استخراج شده با درصد دقت خوبی این بیماری را تشخیص دهد. در این پژوهش الگوریتم‌های مورد استفاده در هریک از مقالات، بررسی شده و نتایج بدست آمده از بررسی داده‌های متناسب با آن‌ها مبنای ادامه کار برای پژوهش‌های آتی می‌باشد. در این پژوهش ضمن بررسی روش‌های ارائه شده پیشین، مزایا و معایب روش‌ها بررسی می‌شود. نتایج نشان می‌دهد نقش روش‌های بکار گرفته شده به منظور پیش پردازش، استخراج و انتخاب ویژگی از روی تصاویر EEG و نوع طبقه‌بندها، عوامل موثر در دقت طبقه بندی می‌باشند. شبکه‌های عصبی کانولوشنی با توجه به ارائه بهترین نتایج دقت، بیشترین کاربرد را در مقایسه با سایر روش‌های مبتنی بر یادگیری داشته‌اند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

A review of machine learning algorithms to diagnose autism using EEG signal

نویسندگان [English]

  • Zohreh Sharifi Mehrjard 1
  • Hajar Momeni 2
  • Habib Adabi Ardekani 3
1 Department of Electrical Engineering, Technical and Vocational University, Tehran, Iran
2 Department of Electrical Engineering, Ardakan University, Ardakan, Iran
3 Department of Electrical Engineering, Yazd University, Yazd, Iran
چکیده [English]

Autism is a neurological and developmental disorder in which individuals often show limited symptoms or behaviors and are diagnosed based on a behavioral test. This neurological disorder is similar to other neurological disorders; therefore, diagnosing autism is a complicated task. If the disease is diagnosed at an early age, the severity of the disease and its complications will be reduced. In recent years, researchers have used electroencephalography (EEG) to diagnose autism. In the diagnosis of autism using EEG signals, machine learning algorithms have been used, and the human user has been able to diagnose this disease with a good percentage of accuracy by analyzing the extracted features. Here, the algorithms used in each of the articles have been reviewed, and the results obtained from the corresponding data review are the basis for further research. While examining the previously presented methods, the advantages and disadvantages of the methods are examined. The results show that the role of the methods used for pre-processing, extracting and selecting features from EEG images and the type of classifiers are effective factors in classification accuracy. Convolutional neural networks have been the most popular compared to other learning-based methods due to their ability to provide the best accuracy results. 

کلیدواژه‌ها [English]

  • Autism
  • Deep learning
  • Machine learning
  • Electroencephalography
  • Supervised learning

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 19 شهریور 1402
  • تاریخ دریافت: 19 آبان 1401
  • تاریخ بازنگری: 22 مرداد 1402
  • تاریخ پذیرش: 09 شهریور 1402