سبد خرید

Classification of ADHD with bi-objective optimization

تومان

موجودی: در انبار

Attention Deficit Hyperactive Disorder (ADHD) is one of the most common diseases in school aged  children. Inthis paper, we consider using fMRI data with classification techniques to aid the diagnosis of ADHD and propose a bi-objective ADHD classification scheme based on L1-norm support vector machine (SVM). In our classification model, two objectives, namely, the margin of separation and the empirical error are considered at the same time. Then the normal boundary intersection (NBI) method of Das and Dennis is used to solve the bi-objective optimization problem. A representative nondominated set which reflects the entire trade-off information between the two objectives is obtained. Each representative nondominated point in the set corresponds to an efficient classifier. Finally a decision maker can choose a final efficient classifier from the set according to the performance of each classifier. Our scheme avoids the trial and error process for regularization hyper-parameter selection. Experimental results show that our bi-objective optimization classification scheme for ADHD  diagnosisperforms considerably better than some traditional classification methods.

تعداد:
مقایسه

ABSTRACT

Attention Deficit Hyperactive Disorder (ADHD) is one of the most common diseases in school aged  children. Inthis paper, we consider using fMRI data with classification techniques to aid the diagnosis of ADHD and propose a bi-objective ADHD classification scheme based on L1-norm support vector machine (SVM). In our classification model, two objectives, namely, the margin of separation and the empirical error are considered at the same time. Then the normal boundary intersection (NBI) method of Das and Dennis is used to solve the bi-objective optimization problem. A representative nondominated set which reflects the entire trade-off information between the two objectives is obtained. Each representative nondominated point in the set corresponds to an efficient classifier. Finally a decision maker can choose a final efficient classifier from the set according to the performance of each classifier. Our scheme avoids the trial and error process for regularization hyper-parameter selection. Experimental results show that our bi-objective optimization classification scheme for ADHD  diagnosisperforms considerably better than some traditional classification methods.

 

INTRODUCTION

Attention Deficit Hyperactivity Disorder (ADHD) is a very common mental disorder in childhood. ADHD  symptoms include inattention,hyperactivity, and impulsively. It affects approximately 5–7% of all  school-age children and more than one half of the ADHD childrencontinue to manifest clinically  significant symptoms after reachingadulthood . As the pathogenesis is not clear, the main diagnostic  method is based on the subjective experience of doctors, which resultsin many children not being able  to receive good treatment in the earlystage of ADHD. In addition to the traditional clinical diagnosis, there is a pressing need to find a set of more distinctive and objective features to characterize ADHD that can be used to facilitate ADHD diagnosis. As a promising neuroimaging tool, functional MRI (fMRI) has been widely used to examine the brain of ADHD patients. Abnormal brain activations were found in task-related experiments on the dorsal anterior cingulate cortex (dACC), the ventrolateral prefrontal  cortex (VLPFC) and the putamen.

 

چکیده

اختلال بیش فعالی کم توجه (ADHD) یکی از شایع ترین بیماری ها در کودکان مدرسه است. در این مقاله، ما با استفاده از داده های fMRI با تکنیک های طبقه بندی برای کمک به تشخیص ADHD و پیشنهاد یک روش طبقه بندی متفاوتی از ADHD مبتنی بر دستگاه برش حمایتی L1 (SVM) پیشنهاد می کنیم. در مدل طبقه بندی ما، دو هدف، یعنی حاشیه جدایی و خطای تجربی در یک زمان در نظر گرفته می شود. سپس روش حلقه مرزی طبیعی (NBI) Das و Dennis برای حل مسئله بهینه سازی دو هدفه مورد استفاده قرار می گیرد. یک نماینده، مجموعه ای غیرمعمول را نشان می دهد که نشان می دهد تمام اطلاعات مربوط به تجارت بین دو هدف به دست آمده است. هر نماینده نقطه غیرمعمول در مجموعه مربوط به یک طبقه بندی کارآمد است. در نهایت تصمیم گیرنده می تواند طبقه بندی نهایی کارآمد را از مجموعه ای بر اساس عملکرد هر طبقه بندی انتخاب کند. طرح ما از فرآیند محاکمه و خطا برای انتخاب پارامترهای تنظیم درست جلوگیری می کند. نتایج تجربی نشان می دهد که روش طبقه بندی بهینه سازی دو هدف برای تشخیص ADHD به طور قابل توجهی بهتر از برخی از روش های طبقه بندی سنتی است.

 

مقدمه

اختلال بیش فعالی کمبود توجه (ADHD) یک اختلال روانی بسیار رایج در دوران کودکی است. علائم ADHD شامل عدم توجه، بیش فعالی و تحریک پذیری است. حدود 5-7 درصد از تمام کودکان مدرسه را تحت تاثیر قرار می دهد و بیش از نیمی از کودکان ADHD به علت علائم بالینی علائم بالینی پس از رسیدن به بلوغ ادامه می دهند. همانطور که پاتوژنز مشخص نیست، روش تشخیصی اصلی مبتنی بر تجربه ذهنی پزشکان است که نتیجه بسیاری از کودکان قادر به دریافت درمان مناسب در مراحل اولیه ADHD نیستند. علاوه بر تشخیص بالینی سنتی، یک نیاز فوری برای پیدا کردن مجموعه ای از ویژگی های متمایز و عینی تر برای تشخیص ADHD که می تواند برای تسهیل تشخیص ADHD استفاده شود، وجود دارد. به عنوان یک ابزار تشخیصی نوروپایی امیدوار کننده، MRI عملکردی (fMRI) برای بررسی مغز بیماران ADHD به طور گسترده ای مورد استفاده قرار گرفته است. فعال سازی مغز غیر طبیعی در آزمایشات مربوط به کار بر روی قشر پشتی قدامی قدامیر (dACC)، قشر پیشانی فورناتال (VLPFC) و پوتامن یافت شد.

Year: 2018

Publisher : ELSEVIER

By :Lizhen Shao, Yadong Xu, Dongmei Fu

File Information: English Language/ 7 Page / size: 790 KB

Download

سال : 1397

ناشر : ELSEVIER

کاری از : لیزن شائو، یادونگ شن، دونگی فو

اطلاعات فایل : زبان انگلیسی / 7 صفحه / حجم : KB 790

لینک دانلود    

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “Classification of ADHD with bi-objective optimization”
درحال بارگذاری ...