Abstract: Z. Esmailpoor, A. M. Nasrabadi, S. Malayeri (2015)

Attention Deficit Hyperactivity Disorder (ADHD) is a common disorder in children. Due to lack of suitable biomarker or test, diagnosis of ADHD children is complicated and needs comprehensive evaluations. Evidences show that, ADHD children have deficit in their brainstem timing and cortex auditory processing. We assessed their auditory brainstem response to speech stimuli. Due to nonlinear and dynamic characteristics of biological signals they should be represented by features that are based on their nature. In this study wavelet coefficients and recurrence qualification analysis features were used to represent signals in a comprehensive way. In this article, we addressed the problem of discrimination of ADHD children from Normal. Wavelet Support Vector machine with Mexican hat and Morlet kernels were used in order to classifying these children. Our method demonstrated %98.57 classification accuracy.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

An auditory brainstem response-based expert system for ADHD diagnosis using recurrence qualification analysis and wavelet support vector machine