一种新的方法,通过EEG和深度学习来确定最好地分类ADHD的大脑区域

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
• 儿童心理学 儿童心理学

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.
• 目前的诊断标准 (DSM-5) 没有确定ADHD的确切原因.
• 通过EEG调查大脑活动为识别ADHD生物标志物提供了潜力.

研究的目的:

• 确定脑电图 (EEG) 通道或大脑区域的子集,以最好地分类患有ADHD的儿童与通常发育的儿童.
• 评估深度学习 (DL) 模型与EEG数据一起用于ADHD分类的有效性.
• 确定特定的大脑区域或道组合对于ADHD检测至关重要.

主要方法:

• 开发了一种使用EEG信号和深度学习 (DL) 的新方法.
• 脑电图数据经过过和人工物删除.
• 根据解剖位置 (半球,叶片) 系统地生成了EEG通道的子集.
• 使用逐步特征选择方法 (向后和向前) 来确定最佳的频道组合.
• 通过使用这些通道子集来训练和评估DL神经网络,通过F1得分来衡量性能.

主要成果:

• 额叶 (FL) 和左半球 (LH) 显示了ADHD检测的显著歧视信息.
• 与单独使用FL或LH相比,将叶,叶和叶 (TL,PL,OL) 结合起来,可以获得更好的分类结果.
• 特性选择方法显著提高了分类性能.
• 用 14 个频道向后一步步的特征选择实现了 0.8281.1 的 F1 得分.
• 以11个频道的Forward Stepwise特征选择实现了0.8271.1的F1得分.

结论:

• 特定的EEG频道子集,特别是通过特征选择识别的子集,在分类ADHD方面非常有效.
• 前额叶和左半球是使用EEG检测ADHD的关键区域.
• 这项研究为医生了解ADHD的神经生理学基础提供了宝贵的见解.
• 这些发现支持EEG和DL在客观ADHD诊断支持方面的潜力.