基于使用EEG转换器模型的EEG信号对注意力缺陷/多动障碍的分类
Yuchao He1,2, Xin Wang1,2, Zijian Yang1,2
1CAS Key Laboratory of Human-Machine Intelligence-Synergy Systems, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, Guangdong 518055, People's Republic of China.
Journal of neural engineering
|September 8, 2023
概括
一种新的EEG-变压器模型使用电脑电图信号准确诊断青少年注意力缺陷/多动障碍 (ADHD). 与传统方法相比,这种深度学习方法提供了一个更快,更客观的诊断工具.
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:
- 注意缺陷/多动症 (ADHD) 是青少年中普遍存在的一种神经发育障碍.
- 目前的ADHD诊断依赖于主观评估,导致潜在的延迟和误诊.
- 需要客观的诊断方法来提高ADHD检测效率.
研究的目的:
- 开发和评估一个深度学习模型,用于使用电脑电图 (EEG) 信号客观地诊断ADHD.
- 将拟议的EEG-变压器模型的性能与现有的卷积神经网络 (CNN) 模型进行比较.
- 为临床医生建立辅助诊断工具,并为可转移的EEG学习奠定基础.
主要方法:
- 提出了EEG-变压器深度学习模型,利用注意力机制进行EEG信号特征提取和分类.
- 对三种已建立的CNN模型进行了比较分析.
- 进行了废除和优化实验,以验证模型组件和性能.
主要成果:
- 该EEG-变压器模型的平均准确率为95.85%,AUC为0.9926.
- 与评估的CNN模型相比,表现出更高的性能和更快的融合.
- 废弃性研究证实了模型模块的功能意义.
结论:
- 脑电图转换器模型显示出作为临床ADHD诊断的客观,准确的辅助工具的巨大潜力.
- 这种模型为未来关于EEG信号分类可转移学习的研究提供了可靠的基准.
- 这些发现表明,改善神经发育障碍的诊断效率和准确性是一个有希望的方向.
