تشخيص اختلال طيف اوتيسم با استفاده از روش‌هاي يادگيري ماشين

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

اوتيسم يك اختلال عصبي-رشدي است كه ارتباطات و تعاملات اجتماعي را تحت تأثير قرار مي‌دهد. شناسايي به‌موقع اوتيسم مي‌تواند موجب درمان زودهنگام و مؤثرتر شود. با توجه به افزايش نرخ شيوع اوتيسم در سال‌هاي اخير، نياز به روش‌هاي تشخيصي دقيق، سريع و مقرون‌به‌صرفه بيشتر از گذشته احساس مي‌شود. روش‌هاي مرسوم عمدتا بر مشاهدات باليني متكي هستند كه هزينه‌بر و زمان‌برند. استفاده از تصويربرداري مغزي مانند تصويربرداري پرتو مغناطيسي كاركردي و مدل‌هاي يادگيري ماشين، امكان شناسايي ويژگي‌هاي پيچيده‌تر در ساختار و عملكرد مغز را فراهم مي‌كند. اين پژوهش دو رويكرد نوآورانه براي تشخيص اوتيسم ارائه كرده است. هر دو رويكرد بر اساس داده‌هاي كاركردي مغز كه از سيگنال‌هاي پرتو مغناطيسي كاركردي استخراج شده‌اند، پايه‌ريزي شده است. سيگنال‌هاي مغزي استخراج شده بيانگر ميزان اكسيژن خون در هر ناحيه مغزي مي‌باشد. اين سيگنال‌ها با عنوان سيگنال BOLD شناخته مي‌شوند. در رويكرد اول، تبديل موجك براي استخراج سطوح فركانسي سيگنال‌هاي BOLD استفاده شد. سپس با محاسبه ماتريس همبستگي تانژانت-پيرسون، ارتباطات غيرخطي بين نواحي مغزي استخراج گرديد. ويژگي‌هاي مهم با روش تحليل مولفه‌هاي اصلي و ANOVA انتخاب شدند و الگوريتم MIDA براي همگن‌سازي داده‌ها به كار گرفته شد. در نهايت، طبقه‌بند Ridge به دقت 71.24 درصد و AUC معادل 79.01 درصد دست يافت. در رويكرد دوم ماتريس همبستگي تانژانت-پيرسون به طور مستقيم از سيگنال BOLD استخراج شد و الگوريتم MIDA به كاهش بعد و همگن كردن داده‌ها كمك كرد. براي غلبه بر عدم تعادل داده‌ها، از شبكه‌ي مولد تخاصمي به همراه تابع زيان سه‌گانه جهت افزايش داده‌هاي كلاس اقليت استفاده شده است. شبكه كولموگروف-آرنولد براي استخراج ويژگي‌ها به كار رفت و گراف جمعيت ساخته شده به شبكه‌ي گرافي پيشنهادي وارد شد تا عمليات طبقه‌بندي گره‌ها صورت گيرد. اين شبكه از دو مسير مجزا براي استخراج ويژگي استفاده مي‌كند. مسير اول متشكل از بلوك‌هاي چبيشف و مسير دوم متشكل از بلوك‌هاي توجه است. بلوك‌هاي چبيشف قادرند الگوهاي ساختاري كلي و بلوك‌هاي توجه قادرند الگوهاي محلي‌تر را در گراف جمعيت استخراج كنند. در انتها ويژگي‌هاي استخراج شده توسط هر دو مسير باهم ادغام شده و وارد يك شبكه‌ي كولموگروف-آرنولد مي‌شوند تا عمليات طبقه‌بندي صورت گيرد. اين روش موفق به دستيابي به نرخ دقت 78.84 درصد شد كه كارايي بالاي آن را در تشخيص اختلال اوتيسم نشان مي‌دهد.

233318

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان