在EEG数据集上使用机器学习对注意力缺陷多动症的分类
Nitin Ahire1, R N Awale2, Abhay Wagh3
1Xavier Institute of Engineering, Mumbai, India.
Applied neuropsychology. Child
|January 1, 2024
概括
脑电图 (EEG) 有效地对儿童的注意力缺陷多动症 (ADHD) 进行了分类. 最接近邻居 (KNN) 机器学习算法在识别ADHD患者从EEG信号中表现出最高的准确性.
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.
- 发展心理学 发展心理学
背景情况:
- 注意缺陷多动症 (ADHD) 是儿童常见的一种神经发育障碍.
- ADHD的病因是复杂的,涉及遗传,环境和神经因素.
- 电脑电图 (EEG) 记录大脑的电活动,反映了认知过程.
研究的目的:
- 分析EEG信号,用于对儿童的注意力缺陷多动症 (ADHD) 进行分类.
- 用EEG数据评估机器学习算法在ADHD诊断中的有效性.
- 探索ADHD分类子组和严重程度的潜力.
主要方法:
- 分析了121名儿童 (ADHD和对照组) 的脑电图信号,进行认知任务.
- 使用欧几里德距离提取特征,这是机器学习中的常见度量.
- 训练了四个监督机器学习算法:线性回归,随机森林,极端梯度增强和K-最近邻居 (KNN).
主要成果:
- 在测试的算法中,K-近邻 (KNN) 算法实现了最高的分类准确性.
- 在EEG信号的不同频段中,性能有所不同.
- 该研究确定KNN是ADHD分类的一个有希望的方法.
结论:
- 机器学习,特别是KNN,显示出使用EEG数据进行ADHD分类的巨大潜力.
- 超参数调整可以进一步提高KNN算法的准确性.
- 这种方法可以扩展到分类ADHD亚组和评估疾病严重程度.
