ADHD-AID:通过基于EEG的多分辨率分析和特征选择来检测儿童注意力缺陷过敏症的辅助工具
1Department of Electronics and Communications Engineering, College of Engineering and Technology, Arab Academy for Science, Technology and Maritime Transport, Alexandria 21937, Egypt.
Biomimetics (Basel, Switzerland)
|March 27, 2024
概括
这项研究介绍了ADHD-AID,这是一个自动机器学习工具,用于识别青少年的注意力缺陷多动症 (ADHD). ADHD-AID显著提高了诊断的准确性和效率,有助于早期干预.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 青少年的注意力缺陷多动症 (ADHD) 有严重的后果,需要早期识别和干预.
- 传统的ADHD诊断方法是主观的,耗时的,容易受到限制.
- 现有的机器学习 (ML) 模型用于ADHD检测通常使用有限的功能,并且不优化电极放置或功能选择.
研究的目的:
- 开发和评估基于ML的自动化工具ADHD-AID,用于准确有效地识别青少年的ADHD.
- 调查最佳的EEG电极放置和特征选择方法,以提高ADHD检测准确度.
- 克服传统诊断技术和现有的ML模型的局限性.
主要方法:
- 使用多分辨率分析技术:变化模式分解,离散波束转换和经验波束分解.
- 从时间和时间频率领域提取了三十个不同的特征 (非线性,带功率,基于,统计).
- 采用特征选择方法,并分析了EEG电极放置,以实现最佳的ADHD识别.
主要成果:
- ADHD-AID实现了高性能指标:0.991准确度,0.989灵敏度,0.992特异性,0.989F1得分和0.982马修斯相关系数.
- 与以前的研究相比,在青少年ADHD检测方面表现优越.
- 通过十倍的交叉验证,实现了0.9958的曲线下面面积 (AUC).
结论:
- ADHD-AID为青少年ADHD识别提供了一个高度准确和高效的自动化解决方案.
- 该工具的性能支持其作为临床医生在早期ADHD诊断中的宝贵助手.
- 优化的特征提取,电极放置和特征选择显著提高了诊断能力.


