EEG信号からADHDの分類のための多ヘッドとベースラインのディープラーニングモデルの比較研究
Lamiaa A Amar1, Ahmed M Otifi2, Shimaa A Mohamed3
1Department of Networks and Distributed Systems, Informatic Research Institute, City of Scientific Research and Technological Applications, SRTA-CITY, Alexandria, 21934, Egypt.
Physical and engineering sciences in medicine
|August 26, 2025
まとめ
注目欠陥/多動性障害 (ADHD) を電気脳波 (EEG) 信号を用いて診断するための新しい多頭型深層学習フレームワークが有望である. このアプローチは89.87%の精度を達成し,ADHD検出の伝統的な方法を上回りました.
科学分野:
- 神経科学
- コンピューター精神科
- 機械学習
背景:
- 子どもの注意欠陥/多動性障害 (ADHD) の流行が増加しているため 診断手段の改善が必要である.
- 電気脳波 (EEG) はADHDを検出するための非侵襲的な方法ですが,完全なチャネル利用は計算上の課題をもたらします.
- モデルオーバーフィッティングは複雑なEEG分析のリスクです.
研究 の 目的:
- 新しい多頭型深層学習フレームワークと,EEGを用いたADHD分類の伝統的な単一モデルアプローチを比較する.
- 戦略的に選択されたEEGチャネルの削減セットの使用の有効性を評価する.
- マルチヘッダモデルがチャネル間の関係や時間的な特徴を捉える能力を評価する.
主な方法:
- 4つの認知状態の79人の参加者 (37人のADHD,42人の健康者) のEEGデータを収集しました.
- 計算の複雑さを軽減するために 5つの戦略的に選択されたEEGチャネルを使用しました.
- 双方向の長期短期記憶,長期短期記憶,ゲーテッド・リキュアント・ユニット (Gated Recurrent Unit) を備えた多ヘッドのディープラーニング・フレームワークを実装した.
主要な成果:
- マルチヘッダのフレームワーク,特に長期短期記憶と双方向長期短期記憶の組み合わせは,最高89.87%の分類精度を達成しました.
- この性能は,テストされたすべてのベースライン単一モデル構成を大幅に上回りました.
- マルチヘッダのアプローチは,より豊かな時間的な特徴とチャネル間の関係を効果的に抽出しました.
結論:
- マルチヘッドのディープラーニングモデルは,EEGベースのADHD診断を向上させる大きな可能性を示しています.
- 多種多様なディープラーニングアーキテクチャを複数ヘッダのフレームワークに統合することで,分類の精度が向上します.
- このアプローチは,ADHDの検出に 計算的に効率的で効果的な方法を提供します.
