LSGP-USFNet:自动化注意力缺陷多动性障碍检测,使用索菲·日尔曼 (Sophie Germain) 在乌拉姆 (Ulam) 螺旋式特征上的素数位置与脑电图信号

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 注意缺陷多动性障碍 (ADHD) 呈现出多动性,冲动性和注意力不足,影响学习和情绪健康.
• 电脑电图 (EEG) 信号对于早期的ADHD诊断至关重要,但由于其非线性和非静止性而复杂.
• 直接EEG分析具有挑战性,需要先进的计算方法来准确解释.

研究的目的:

• 开发一种新的计算方法,LSGP-USFNet,用于使用EEG信号自动检测ADHD.
• 从乌拉姆螺旋和索菲·日尔曼的质数中利用独特的数学模式从EEG数据中提取特征.
• 通过先进的信号处理和机器学习,提高ADHD诊断的准确性和效率.

主要方法:

• 脑电图信号被过,细分,并使用连续波波变换转化为时间频率图像.
• 通过应用乌拉姆螺旋和在图像补丁中识别索菲·日耳曼的素数来提取特征.
• ReliefF算法选择了关键特征,并使用了具有10倍交叉验证的支持矢量机分类器.

主要成果:

• 拟议的LSGP-USFNet在自动检测EEG数据中的ADHD方面实现了97.46%的高精度.
• 该方法有效地将复杂的EEG模式转化为分类的歧视性特征.
• 该模型在公开可用的数据集上展示了强大的性能.

结论:

• LSGP-USFNet提供了一种有希望,准确和自动化的方法,用于使用EEG检测ADHD.
• 该方法得到了验证,并已准备好在更大的数据集上进行测试.
• 该方法在诊断其他儿科神经障碍方面具有潜在的应用.