通过通过基于群体分解的阶段锁定值通过与任务相关的EEG记录来对患有ADHD的儿童进行分类

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算精神病学是一种计算精神病学.

背景情况:

• 注意缺陷/多动障碍 (ADHD) 是儿童中普遍存在的神经发育障碍.
• 现有的脑电图 (EEG) 生物标志物对于ADHD缺乏临床建立,尽管它们很重要.
• 了解大脑活动的变化,特别是交叉频率合 (CFC),对于ADHD研究至关重要.

研究的目的:

• 开发和评估一个新的框架来分析与ADHD和没有ADHD的儿童的任务相关EEG数据.
• 调查交叉频率合 (CFC) 现象作为ADHD的潜在指标.
• 从传感器层面过渡到源级连接分析,以改善ADHD检测.

主要方法:

• 利用了61名多动症和60名非多动症儿童的与任务相关的EEG记录.
• 采用群体分解来将个性化的大脑节奏提取到振荡模式.
• 应用相锁定值 (PLV) 用于特征提取,并使用嵌套的5倍交叉验证评估分类性能.

主要成果:

• 拟议的框架实现了0.9166.6的接收器操作特征曲线 (AUROC) 下的面积.
• 这显著优于常用的基于过器的大脑节律提取方法 (AUROC:0.8361).
• 在ADHD分类的其他最先进的功能连接方法中表现出优越性.

结论:

• 这种新的框架在基于EEG数据对ADHD个体进行分类时提供了更高的效率和优势.
• 提供了有关ADHD任务相关功能的大脑区域的新见解.
• 通过推进功能连接分析,有望开发ADHD的客观EEG生物标志物.