大脑区域对基于机器学习的注意力缺陷多动性障碍 (ADHD) 基于EEG信号的分类的贡献
Manjusha Deshmukh1, Mahi Khemchandani2, Paramjit Mahesh Thakur3
1Computer Engineering Department, Saraswati College of Engineering, Navi Mumbai, India.
Applied neuropsychology. Adult
|July 8, 2024
概括
使用脑电图 (EEG) 的机器学习模型能够准确地识别患有注意力缺陷多动障碍 (ADHD) 的儿童. 该研究实现了84%的准确性,突出了EEG数据在ADHD诊断中的潜力.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 儿科 儿科 儿科
背景情况:
- 注意缺陷多动性障碍 (ADHD) 是一种常见的神经发育障碍.
- 准确诊断儿童的ADHD对于及时干预至关重要.
- 电生理学 (EEG) 数据为神经疾病提供了潜在的生物标志物.
研究的目的:
- 开发和评估一种机器学习 (ML) 模型,用于使用EEG数据识别儿童的ADHD.
- 根据EEG信号模式在认知任务期间区分患有ADHD的儿童和健康对照者.
主要方法:
- 收集了儿童在认知任务期间的EEG数据.
- 使用低通贝塞尔和隙过器预处理的EEG信号.
- 在十九个频道的EEG特征上应用了各种ML分类器,包括随机森林,SVM和KNN.
主要成果:
- 在将ADHD与健康对照区分开来时,获得了84%的整体分类准确度.
- 随机森林分类器在特定区域EEG通道组合下显示出最大精度 (0.84).
- 半球特定分析,特别是右半球通道,显示了有前途的分类性能.
结论:
- 基于EEG的ML模型显示,对儿童的客观ADHD诊断有很大的潜力.
- 区域EEG数据,特别是来自右半球的数据,为ADHD分类提供了宝贵的见解.
- 对大脑区域贡献的进一步研究可以提高ADHD诊断和治疗策略.
更多相关视频
13:09Using Brain Activation nir-HEG/Q-EEG and Execution Measures CPTs in a ADHD Assessment Protocol
Published on: April 1, 2018
10.3K
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
15.7K
