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 ب چکیده کامل
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.
پرونده مقاله
