تاثیر یادگیری عمیق بر روند طبقه بندی اختلال بیش فعالی و کمبود توجه
سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 686
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ITCT04_088
تاریخ نمایه سازی: 17 آبان 1396
چکیده مقاله:
اختلال بیش فعالی و کمبود توجه شرایطی را برای کودک ایجاد میکند که نتواند آرام و بدون حرکت بنشیند، رفتارش را کنترل کرده و توجه خود را به یک موضوع خاص معطوف کند. از هر 100 کودک 5 کودک، مبتلا به این بیماری میباشند. پسران سه برابر بیش از دختران در معرض ابتلا به این عارضه قراردارند. اغلب این اختلال قبل از 7 سالگی آغاز میشود و ممکن است والدین تا وقتی که فرزندشان بزرگتر نشده، متوجه مشکل او نگردند . کودکان مبتلا به بیشفعالی و کمبود توجه در معرض خطر بالایی از اختلال رفتار، شخصیت ضد اجتماعی و سوءمصرف مواد مخدر قرار دارند. اکثر کودکان مبتلا بهاین بیماری دچار احساس افسردگی، اضطراب و عدم اعتمادبهنفس میشوند. با توجه به اهمیت این موضوع در این پژوهش، از شبکههای باور عمیق به عنوان یک مدل یادگیری عمیق برای پیشبینی بیماری مذکور استفاده شده است. الگوریتم پیشنهادی روی مجموعه داده استاندارد رقابتهای جهانیADHD-200 که شامل مجموعه داده Neuro Image و NYU است اجراشده و با الگوریتمهای شناختهشده دیگر مورد مقایسه قرار گرفته است. نتایج به دست آمده نشان میدهد که روش پیشنهادی برتری امیدوارکننده ای نسبت به سایر الگوریتم های شناخته شده و محبوب دارد
کلیدواژه ها:
اختلال بیشفعالی و کمبود توجه ، یادگیری عمیق ، شبکههای عصبی ، شبکههای باورعمیق ، ماشین بولتزمان محدود
نویسندگان
سمیرا رحیمی
دانشکده فنی ومهندسی، دانشگاه آزاد اسلامی واحد کرمانشاه،کرمانشاه، ایران
سعید فرضی
دانشکده کامپیوتر، دانشگاه صنعتی خواجه نصیر الدین طوسی، تهران، ایران