Feasibility of detecting ADHD patients' attention levels by classifying their EEG signals

Alchalabi, Alaa Eddin; Elsharnouby, Mohamed; Shirmohammadi, Shervin; Eddin, Amer Nour

doi:10.1109/memea.2017.7985895

Cited by 13 publications

(11 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A Máquina de Vetores de Suporte (MVS)é uma técnica de AMS usado para classificação de dados binários linearmente não probabilísticos. As MVS têm a capacidade de ajustar um hiperplano que separa duas classes diferentes, funcionam bem com dados não linearmente separáveis usando o truque do kernel que mapeia as entradas de dados para espaços dimensionais mais altos de recursos nos quais eles são facilmente separáveis (Alchalabi et al, 2017). A MVS foi usada em 25% dos trabalhos analisados.…”

Section: Figura 2 Técnicas De Aprendizado De Máquinaunclassified

“…A MVS foi usada em 25% dos trabalhos analisados. Por Alchalabi et al (2017Alchalabi et al ( ) (2018 A Rede Neural Artificialé uma técnica de AM amplamente utilizada naárea. Uma de suas muitas aplicaçõesé o planejamento de caminhos, pois ela tem uma grande capacidade de aprender caminhos não lineares (Ahmad et al, 2013).…”

Section: Figura 2 Técnicas De Aprendizado De Máquinaunclassified

“…O FOCUS, apresentado por Alchalabi et al (2017Alchalabi et al ( ) (2018, teve o objetivo de treinar e fortalecer a capacidade de atenção dos pacientes com TDAH e detectar seu nível de atenção. Este trabalho teve duas publicações inclusas nessa RSL com qualis A1 e B3, e 9 e 6 páginas.…”

Section: Quais Os Principais Jogos Sérios Que Utilizam Aprendizagem Dunclassified

“…O aprendizado se mostrou relativamente médio em eficiência. Seu desempenho não foi muito encorajador para o exercício de agarrar em microcirurgias, provavelmente pelos poucos dados de treinamento, o que pode ser melhorado com a inclusão de mais dados de treinamento.No trabalho apresentado porAlchalabi et al (2017), o Aprendizado Supervisionado foi usado na representação dos modelos de níveis de atenção dos usuários. O aprendizado se mostrou eficiente na classificação dos dados de Eletroencefalografia (EEG) dos usuários, entretanto, foram usados poucos números de amostras e apenas de usuários saudáveis e não de pessoas diagnosticadas com TDAH, o que era objetivo do trabalho Alchalabi et al (2018).…”

unclassified

See 3 more Smart Citations

Aprendizado de Máquina nos Jogos para Medicina: Uma Revisão Sistemática

Silva

Oliveira

Neto

et al. 2019

Anais Do Simpósio Brasileiro De Computação Aplicada À Saúde (SBCAS 2019)

View full text Add to dashboard Cite

This work presents a Systematic Literature Review of Machine Learning Literature in Games for Medicine held in 4 international research sources in the last 10 years, whose objective is to identify the state of the art of machine learning in medical games. As a result of the Systematic Review presented in this study, 1040 papers were analyzed, of which 40 were pre-selected and 12 were selected for data extraction. Among the selected works, it was possible to list several techniques of machine learning, types of learning, health areas and games used today.Resumo. Este trabalho apresenta a condução de uma Revisão Sistemática da Literatura sobre o Aprendizado de Máquina em Jogos para medicina realizada em 4 fontes de pesquisa internacionais nosúltimos 10 anos, cujo objetivoé identificar o estado da arte do aprendizado de máquina nos jogos para medicina. Como resultado da Revisão Sistemática apresentada neste trabalho, foram analisados 1040 trabalhos, e desse total, 40 foram pré-selecionados e 12 foram selecionados para extração de dados. Entre os trabalhos selecionados, foi possível elencar várias técnicas de aprendizado de máquina, tipos de aprendizado,áreas da saúde e jogos utilizados na atualidade.

show abstract

Section: Figura 2 Técnicas De Aprendizado De Máquinaunclassified

Section: Quais Os Principais Jogos Sérios Que Utilizam Aprendizagem Dunclassified

unclassified

See 2 more Smart Citations

Aprendizado de Máquina nos Jogos para Medicina: Uma Revisão Sistemática

Silva

Oliveira

Neto

et al. 2019

Anais Do Simpósio Brasileiro De Computação Aplicada À Saúde (SBCAS 2019)

View full text Add to dashboard Cite

show abstract

“…Diagnoses and differentiations of brain lesions are currently done manually. To perform this procedure properly, a neurologist must spend a long time and be extremely precise [ 11 ]. A lack of contrast and resolution of images, as well as the similarity of the lesions created by the disease with other brain tissue, leads to differing interpretations of brain MRI images.…”

Section: Introductionmentioning

confidence: 99%

A Hybrid Approach for MS Diagnosis Through Nonlinear EEG Descriptors and Metaheuristic Optimized Classification Learning

Mohseni

Moghaddasi

2022

Computational Intelligence and Neuroscience

View full text Add to dashboard Cite

Multiple sclerosis (MS), a disease of the central nervous system, affects the white matter of the brain. Neurologists interpret magnetic resonance images that are often complicated, time-consuming, and contradictory. Using EEG signals, this disease can be analyzed and diagnosed more accurately. However, it is imperative that MS be diagnosed by specialists using assistive technology. Until now, a few methods have been proposed in this field that are sometimes associated with different challenges in analysis. This paper presents a hybrid approach to MS diagnosis in order to decrease classification error rates. Using the proposed method, EEG descriptors in both the time and frequency domains are analyzed. After the feature extraction stage, a modified version of the ant colony optimization method (m-ACO) was used to select the appropriate subset of features. Then, the support vector machine is used to determine whether the disease exists. A metaheuristic algorithm adjusts the support vector machine’s parameters to withstand overfitting challenges. Despite a limited number of input channels, significant classification accuracy has been achieved using wavelet analysis techniques, dividing all five subbands of EEG signals, signal windowing, and extracting efficient features from the data. Additionally, alpha, beta, and gamma bands of the signal are important, and the accuracy, sensitivity, and specificity levels are higher than 98.5%. Compared to similar MS diagnostic methods, the proposed method achieved significantly higher diagnostic accuracy. Application and implementation of this method can be effective in treating neurological diseases, including multiple sclerosis.

show abstract