Publication: การทำนายคะแนนพัฒนาการบกพร่องในเด็กลมชักด้วยสัญญาณสมอง โดยการใช้การวิเคราะห์ปัจจัยคู่ขนาน
16
1
Resource Type
Language
tha
File Type
application/pdf
No. of Pages/File Size
99
Access Rights
restricted access
Rights
ผลงานนี้สงวนสิทธิ์โดยมหาวิทยาลัยศรีนครินทรวิโรฒ ห้ามทำซ้ำ คัดลอก หรือนำไปเผยแพร่ตัดต่อโดยมิได้รับอนุญาตเป็นลายลักษณ์อักษร
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
ธิติพันธ์ วาสนกิจจากุล, นันทรัตน์ ธาราเพ็ชรัตน์ การทำนายคะแนนพัฒนาการบกพร่องในเด็กลมชักด้วยสัญญาณสมอง โดยการใช้การวิเคราะห์ปัจจัยคู่ขนาน. สืบค้นจาก: https://hdl.handle.net/20.500.14740/21268
Alternative Title(s)
DEVELOPMENTAL IMPAIRMENT PREDICTION FROM EPILEPTIC CHILDREN EEG USING PARAFAC BASED MODEL
Advisor(s)
Abstract
โครงงานวิศวกรรมนี้มีวัตถุประสงค์เพื่อสร้างโมเดลทำนายพัฒนาการจากคลื่นสมองด้วยการใช้การวิเคราะห์ปัจจัยคู่ขนานและวิเคราะห์รูปแบบของความสัมพันธ์ระหว่างคลื่นสมองและพัฒนาการในเด็ก โรคลมชักในเด็กเป็นปัญหาสำคัญที่ส่งผลต่อพัฒนาการหากแพทย์คัดกรองกลุ่มเสี่ยงได้ก่อนอย่างรวดเร็วจะช่วยลดผลกระทบต่อพัฒนาการในระยะยาว งานวิจัยนี้จึงทำการพัฒนาระบบทำนายคะแนนพัฒนาการจากข้อมูลคลื่นสมองไฟฟ้าโดยใช้ Parallel Factor analysis (PARAFAC) เพื่อหารูปแบบที่ซ่อนอยู่ภายในข้อมูลร่วมกับใช้ Support Vector Machine(SVM) ประเภท Regression มาเปรียบเทียบประสิทธิภาพการวิเคราะห์ โดยใช้ข้อมูลคลื่นสมองไฟฟ้าของเด็กพัฒนาการปกติ 35 คน และกลุ่มพัฒนาการบกพร่อง 30 คน จากข้อมูลที่มีการบันทึกไว้แล้ว การวิเคราะห์ข้อมูลทั้งหมดดำเนินการในโปรแกรม MATLAB ผลการทดลองพบว่าการทำ PARAFAC สามารถใช้ร่วมกับข้อมูลที่มาในลักษณะมีหลายมิติและมีการให้ผลลัพธ์ของความแม่นยำที่สามารถรับได้เมื่อเทียบกับวิธี SVM ที่สามารถวิเคราะห์ได้เพียงข้อมูล 2 มิติ
This engineering project aims to create a model for predicting developmental outcomes from electroencephalography (EEG), utilizing Parallel Factor Analysis (PARAFAC) to explore the relationship between EEG and child development. Childhood epilepsy is a significant concern impacting development, early identification of at-risk children can mitigate long-term developmental effects. This research develops a system to predict developmental scores from EEG data, using PARAFAC to identify hidden patterns in the data, and compares its analytical performance with Support Vector Machine (SVM) Regression. The study uses EEG data from 35 typically developing children and 30 children with developmental impairment. All data analyses were conducted using MATLAB. Results indicate that PARAFAC can effectively process multidimensional data, providing acceptable accuracy compared to SVM, which is limited to two-dimensional data.
This engineering project aims to create a model for predicting developmental outcomes from electroencephalography (EEG), utilizing Parallel Factor Analysis (PARAFAC) to explore the relationship between EEG and child development. Childhood epilepsy is a significant concern impacting development, early identification of at-risk children can mitigate long-term developmental effects. This research develops a system to predict developmental scores from EEG data, using PARAFAC to identify hidden patterns in the data, and compares its analytical performance with Support Vector Machine (SVM) Regression. The study uses EEG data from 35 typically developing children and 30 children with developmental impairment. All data analyses were conducted using MATLAB. Results indicate that PARAFAC can effectively process multidimensional data, providing acceptable accuracy compared to SVM, which is limited to two-dimensional data.