Estimation of attention deficıt and hyperactivity disorder (ADHD) with artificial neural networks using EEG

Dikkat Eksikliği Hiperaktivite Bozukluğu (DEHB), hiperaktivite, dikkatsizlik ve ani davranışlarla karakterize edilen nöro-gelişimsel bir hastalıktır. Hastalık teşhisinde EEG sinyalleri de sıklıkla kullanılmaktadır. Beynin sinirsel faaliyetleri ile elde edilen biyoelektriksel sinyallere Elektroensefalogram (EEG) sinyalleri denir. EEG sinyalleri periyodik değildir. Faz, genlik ve frekansları sürekli değişim göstermektedir. EEG frekans bantları, delta, teta, alfa ve beta olarak adlandırılmaktadır. Dikkat eksikliği ve hiperaktivite bozukluğu (DEHB) olan bireylerde normal kişilere göre frekans bantlarındaki güç yoğunlukları değişkenlik göstermektedir. Bu çalışmada dikkat eksikliği ve hiperaktivite bozukluğu olan hastalardan alınan EEG işaretlerinin güç spektrum yoğunlukları welch metodu kullanılarak elde edilmiştir. Güç spektrum yoğunluk değerleri, EEG sinyallerinin öznitelik değerleri olarak İleri beslemeli Geri yayılmalı (FFBPNN) Yapay Sinir Ağı, Elman Ağı ve Self Organizing Maps (SOM) ağına uygulanmıştır. Eğitilen ağlar test verileriyle test edilmiştir. Test sonucunda FFBB ağında sınıflandırma başarısı %89, elman ağında %84 ve SOM ağında %70 olarak ölçülmüştür.
Attention Deficit Hyperactivity Disorder (ADHD) is a neurological disorder characterized by hyperactivity, carelessness and sudden behavior. EEG signals are also frequently used for disease diagnosis. Bioelectrical signals that occur as a result of neural activity of the brain are called electroencephalogram (EEG) signals. EEG signals are not periodic. Phase, amplitude and frequencies change continuously. EEG frequency bands are called delta, theta, alpha and beta. In individuals with attention deficit and hyperactivity disorder (ADHD), the power densities in the frequency bands vary compared to normal individuals. In this study, the power spectrum intensities of EEG signals obtained from patients with attention deficit and hyperactivity disorder were obtained by using the welch method. The power spectrum density values were applied to the Forward Feed Back Propagation (FFBPNN) Artificial Neural Network, Elman Network and Self Organizing Maps (SOM) network as feature values of EEG signals. Trained networks were tested with test data. As a result of the test, the success of classification in FFBPNN network was 89%, 84% in Elman network and 70% in SOM network.