混合深度学习模型用于识别注意力缺陷/多动障碍使用EEG.
Nupur Chugh1, Swati Aggarwal2, Arnav Balyan1
1Netaji Subhas Institute of Technology, New Delhi, India.
Clinical EEG and neuroscience
|September 8, 2023
概括
结合CNN和LSTM的新混合深度学习模型使用EEG数据准确诊断注意力缺陷/多动障碍 (ADHD). 这种先进的方法改进了现有的可靠ADHD诊断方法.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 由于主观方法,注意力缺陷/多动症 (ADHD) 诊断具有挑战性.
- 目前对ADHD的诊断工具缺乏可靠性和及时性.
- 像CNN这样的现有深度学习模型在ADHD诊断中与时间数据作斗争.
研究的目的:
- 开发一种新的混合深度学习模型,以改善ADHD诊断.
- 从EEG数据中整合空间特征提取和时间依赖性学习.
- 为了提高ADHD检测的准确性和可靠性,使用脑电图.
主要方法:
- 设计了一个混合深度学习模型,将卷积神经网络 (CNN) 和长短期记忆 (LSTM) 结合起来.
- 该模型同时提取空间特征,并学习EEG信号的长期依赖性.
- 该模型的性能在两个公开的EEG数据集 (ADHD和FOCUS) 上进行了评估.
主要成果:
- 混合CNN-LSTM模型实现了高分类准确性:ADHD数据集上的98.86%和FOCUS数据集上的98.28%.
- 与ADHD诊断的最先进方法相比,拟议的模型显示出更高的性能.
- 该模型有效地捕获了EEG数据中的空间模式和时间动态.
结论:
- 混合CNN-LSTM模型在ADHD的客观诊断方面取得了重大进展.
- 这种深度学习方法显示了帮助临床医生在早期和准确诊断ADHD的潜力.
- 该模型分析EEG数据的能力为注意力缺陷/多动症障碍提供了更可靠的诊断工具.


