مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 17 3 2019 11 17 Diagnosis of Attention-Deficit/Hyperactivity Disorder (ADHD) based on Variable Length Evolutionary Algorithm تشخیص كم‌توجهي- بيش‌فعالي (ADHD) مبتني ‌بر الگوريتم تكاملي با طول متغير 242 248 fa مريم رمضانیان کشتلی حسین منتظری کردی 2018 11 24 The methods used today to investigate brain connections to diagnose brain-related diseases are the imaging method of resting magnetic resonance imaging. In this paper, a new method is proposed using an evolutionary variable-length algorithm to select the appropriate features to improve the accuracy of the diagnosis of healthy and patient-to-patients with attention deficit hyperactivity disorder based on analysis of rs-fMRI images. The characteristics examined are the correlation values between the time series signals of different regions of the brain. Selection of the variable-length property were based on the honey bee algorithm in order to overcome the problem of feature selection in algorithms with fixed-length 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 variable-length 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. روش‌هایی که امروزه برای بررسی ارتباطات مغز به منظور تشخیص بیماری‌های مرتبط با عملکرد مغز استفاده می‌شود، روش تصويرنگاري عملكردي تشديد مغناطيسي 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 تشخيص افراد سالم و بيمار به اختلال كم‌توجهي- بيش‌فعالي از يكديگر مبتني ‌بر تحليل تصاوير 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، 61/76% می‌باشد، روش پیشنهادی توانسته به مقدار صحت طبقه‌بندی کلی 32/85% 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 66/91% و 57/95% رسیده است. http://ijece.org/fa/Article/Download/28716