مروری بر روش‌های یادگیری عمیق در تشخیص اختلال نقص توجه - بیش فعالی
الموضوعات : مجله فناوری اطلاعات در طراحی مهندسیاکرم فیضی 1 , سیدعابد حسینی 2 , محبوبه هوشمند 3
1 - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
2 - گروه مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
3 - گروه مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
الکلمات المفتاحية: اختلال نقص توجه/بیش فعالی, سیگنال های مغزی, تصاویر تشدید مغناطیسی, یادگیری عمیق,
ملخص المقالة :
اختلال نقص توجه/بیش‌فعالی (ADHD) یکی از شایع‌ترین اختلال¬های رفتاری در کودکان و نوجوانان است. تشخیص دقیق و به‌موقع آن برای آغاز درمان مناسب حائز اهمیّت است. در سال‌های اخیر با پیشرفت در زمینههای یادگیری ماشین و یادگیری عمیق، پژوهشگران توجه ویژه‌ای به تشخیص بهتر ADHD داشته‌اند. این پژوهش به بررسی کاربردهای یادگیری عمیق در تشخیص ADHD از طریق تحلیل داده‌های مختلف ازجمله سیگنال‌های الکتروانسفالوگرافی و تصاویر تشدید مغناطیسی می‌پردازد. همچنین چالش‌ها و محدودیّت‌های موجود در این زمینه را موردبررسی قرار می‌دهد. هدف این پژوهش ارائه یک دیدگاه جامع در مورد پتانسیل استفاده از یادگیری عمیق در تشخیص ADHD و مسیرهای آتی پژوهش در این حوزه است. امید است که این پژوهش بتواند به‌عنوان راهنمایی کارآمد، مسیر پژوهشگران این حوزه را هموار سازد.
[1] S. Agarwal, A. Raj, A. Chowdhury, G. Aich, R. Chatterjee, and K. Ghosh, “Investigating the impact of standard brain atlases and connectivity measures on the accuracy of ADHD detection from fMRI data using deep learning,” Multimed Tools Appl, vol. 83, no. 25, pp. 67023–67057, Jan. 2024, doi: 10.1007/s11042-023-17962-7.
[2] E. Salah, M. Shokair, F. E. Abd El-Samie, and W. A. Shalaby, “Utilization of Deep Learning to Overcome the Effect of ADHD on Children,” in 2023 3rd International Conference on Electronic Engineering (ICEEM), IEEE, 2023, pp. 1–5.
[3] N. K. Iyortsuun, S.-H. Kim, M. Jhon, H.-J. Yang, and S. Pant, “A review of machine learning and deep learning approaches on mental health diagnosis,” in Healthcare, MDPI, 2023, p. 285.
[4] J. Sanchis, S. García-Ponsoda, M. A. Teruel, J. Trujillo, and I.-Y. Song, “A novel approach to identify the brain regions that best classify ADHD by means of EEG and deep learning,” Heliyon, vol. 10, no. 4, 2024.
[5] S. Aggarwal, N. Chugh, and A. Balyan, “Identification of ADHD Disorder in Children Using EEG Based on Visual Attention Task by Ensemble Deep Learning,” in Proceedings of International Conference on Data Science and Applications, vol. 552, M. Saraswat, C. Chowdhury, C. Kumar Mandal, and A. H. Gandomi, Eds., in Lecture Notes in Networks and Systems, vol. 552. , Singapore: Springer Nature Singapore, 2023, pp. 243–259. doi: 10.1007/978-981-19-6634-7_18.
[6] S. Abedian, G. S. Bajestani, H. Saeedi, and F. Makhloughi, “Diagnosis of Adult ADHD Using EEG Signals Based on the Spectrogram and Convolutional Neural Networks,” Int. J. Comp. Intel. Appl., vol. 23, no. 01, p. 2350034, Mar. 2024, doi: 10.1142/S1469026823500347.
[7] N. Chen and Y. Jiao, “Deep Learning of Automatic Encoder Based on Attention for ADHD Classification of Brain MRI,” in 2023 7th International Conference on Biomedical Engineering and Applications (ICBEA), IEEE, 2023, pp. 11–14.
[8] J. Shin et al., “Identifying ADHD for children with coexisting ASD from fNIRs signals using deep learning approach,” IEEE Access, 2023.
[9] Ö. Kasim, “Identification of attention deficit hyperactivity disorder with deep learning model,” Phys Eng Sci Med, vol. 46, no. 3, pp. 1081–1090, Sep. 2023, doi: 10.1007/s13246-023-01275-y.
[10] P. Amado-Caballero, P. Casaseca-de-la-Higuera, S. Alberola-López, J. M. Andrés-de-Llano, J. A. López-Villalobos, and C. Alberola-López, “Insight into ADHD diagnosis with deep learning on Actimetry: Quantitative interpretation of occlusion maps in age and gender subgroups,” Artificial Intelligence in Medicine, vol. 143, p. 102630, 2023.
[11] X. Liu, “Detection and Classification of ADHD Using Deep Learning Based on EEG Signals,” Highlights in Science, Engineering and Technology, vol. 91, pp. 191–199, 2024.
[12] N. Chugh, S. Aggarwal, and A. Balyan, “The Hybrid Deep Learning Model for Identification of Attention-Deficit/Hyperactivity Disorder Using EEG,” Clin EEG Neurosci, vol. 55, no. 1, pp. 22–33, Jan. 2024, doi: 10.1177/15500594231193511.
[13] J. Hernández-Capistran, L. N. Sánchez-Morales, G. Alor-Hernández, M. Bustos-López, and J. L. Sánchez-Cervantes, “Machine and Deep Learning Algorithms for ADHD Detection: A Review,” in Innovations in Machine and Deep Learning, vol. 134, G. Rivera, A. Rosete, B. Dorronsoro, and N. Rangel-Valdez, Eds., in Studies in Big Data, vol. 134. , Cham: Springer Nature Switzerland, 2023, pp. 163–191. doi: 10.1007/978-3-031-40688-1_8.
[14] L. A. Jacob, K. S. Biju, U. Sangeetha, and S. Ramachandran, “ADHD detection based on time frequency image and deep-learning CNN from event-related EEG,” 2023.
[15] J. Sanchis, M. A. Teruel, and J. Trujillo, “Hyperparameter Tuning of a Deep Learning EEG-based Neural Network for the Diagnosis of ADHD,” in 2023 IEEE International Conference on Big Data (BigData), IEEE, 2023, pp. 2719–2725.
[16] A. YASUMURA, “Identifying ADHD for Children with Coexisting ASD From fNIRs Signals Using Deep Learning Approach”.
[17] H. W. Loh et al., “Deep neural network technique for automated detection of ADHD and CD using ECG signal,” Computer methods and programs in biomedicine, vol. 241, p. 107775, 2023.
[18] B. Kim, J. Park, T. Kim, and Y. Kwon, “Finding essential parts of the brain in rs-fMRI can improve ADHD diagnosis using deep learning,” IEEE Access, 2023.
[19] M. Garcia-Argibay, Y. Zhang-James, S. Cortese, P. Lichtenstein, H. Larsson, and S. V. Faraone, “Predicting childhood and adolescent attention-deficit/hyperactivity disorder onset: a nationwide deep learning approach,” Molecular Psychiatry, vol. 28, no. 3, pp. 1232–1239, 2023.
[20] M. Y. Esas and F. Latifoğlu, “Detection of ADHD from EEG signals using new hybrid decomposition and deep learning techniques,” Journal of Neural Engineering, vol. 20, no. 3, p. 036028, 2023.
[21] A. Nouri and Z. Tabanfar, “Detection of ADHD Disorder in Children Using Layer-Wise Relevance Propagation and Convolutional Neural Network: An EEG Analysis,” Frontiers in Biomedical Technologies, vol. 11, no. 1, pp. 14–21, 2024.
[22] M. A. Hamim, F. M. Tanmoy, O. Tasfia, and F. A. Juthi, “Attention deficit hyperactivity disorder detection using deep learning approach,” in 2023 14th International Conference on Computing Communication and Networking Technologies (ICCCNT), IEEE, 2023, pp. 1–7.
