深度神经网络技术用于使用心电图信号自动检测ADHD和CD
Hui Wen Loh1, Chui Ping Ooi1, Shu Lih Oh2
1School of Science and Technology, Singapore University of Social Sciences, Singapore.
Computer methods and programs in biomedicine
|August 31, 2023
概括
这项研究开发了一个可解释的深度学习模型,使用心电图数据客观诊断注意力缺陷多动性障碍 (ADHD) 和行为障碍 (CD). 该模型实现了高精度,为这些神经发育障碍提供了潜在的新生物标志物.
科学领域:
- 神经科学是一个神经科学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 注意缺陷多动症 (ADHD) 和行为障碍 (CD) 是青少年常见的神经发育障碍.
- 由于症状重叠,区分ADHD,ADHD与CD (ADHD+CD) 和CD可能是主观的.
- 需要客观的诊断生物标志物来提高准确性.
研究的目的:
- 开发第一个可解释的深度学习 (DL) 模型,用于基于心电图的ADHD和CD的客观诊断.
- 研究ECG作为这些疾病的生物标志物的潜力.
主要方法:
- 利用了来自45名多动症,62名多动症+多动症和16名多动症患者的心电图数据.
- 将心电图数据细分为2秒的时间段.
- 训练了一个1维卷积神经网络 (1D CNN) 模型.
主要成果:
- 实现了96.04%的分类准确度.
- 报告了96.26%的精度,95.99%的灵敏度和96.11%的F1分数.
- 采用Grad-CAM来识别影响分类的关键ECG特征.
结论:
- DL模型在使用心电图的客观ADHD/CD诊断方面表现出很高的性能.
- 可解释的人工智能 (Grad-CAM) 为临床决策提供时间洞察力.
- 鼓励开展更大规模的研究,为医疗机构开发基于心电图的计算机辅助诊断 (CAD) 工具.
