基于脑电图的ConvMixer架构,用于识别儿童注意力缺陷多动性障碍

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:

• 注意缺陷多动性障碍 (ADHD) 是一种流行的神经发育障碍,影响全球5-10%的学龄儿童.
• 早期诊断和干预对于改善患者和家人的生活质量至关重要.

研究的目的:

• 引入ConvMixer-ECA,一种新的深度学习架构,用于使用电脑电图 (EEG) 信号准确诊断ADHD.
• 与现有的深度学习模型和基于注意力的变体相比,评估ConvMixer-ECA的有效性.

主要方法:

• 开发和应用ConvMixer-ECA深度学习模型,将ConvMixer与高效通道注意力 (ECA) 块集成在一起.
• 使用60名健康儿童和61名被诊断患有多动症的儿童的EEG记录进行培训和评估.
• 用最先进的模型 (EEGNet,CNN,RNN,LSTM,GRU) 和t-SNE可视化进行特征分析.

主要成果:

• 在通过EEG数据识别ADHD时,ConvMixer-ECA实现了94.52%的高精度.
• 集成ECA显著提高了ConvMixer的性能,超过了其他基于注意力的模型.
• 与已建立的深度学习架构相比,ConvMixer-ECA表现出卓越的性能.

结论:

• 通过层次特征学习,ConvMixer-ECA有效地捕捉到ADHD和典型的发展个体之间的区分模式.
• 拟议的模型显示出显著的潜力,作为一个有价值的工具,帮助临床医生在早期诊断和干预儿童的多动症.