ADHD/CD-NET:使用可解释的深度神经网络技术对ADHD和CD进行基于EEG的自动表征

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.
• 医疗成像医学成像

背景情况:

• 注意缺陷多动症 (ADHD) 和行为障碍 (CD) 分别是儿童常见的神经发育和行为障碍.
• 由于症状重叠,区分ADHD和CD具有挑战性,增加了误诊和不适当治疗的风险.
• 准确的区分至关重要,因为ADHD和CD的治疗计划显著不同.

研究的目的:

• 开发和验证基于脑电图 (EEG) 的深度学习系统ADHD/CD-NET,用于客观区分ADHD,ADHD+CD和CD.
• 用内部和外部数据集评估拟议系统的诊断性能.
• 使用梯度加权类激活映射 (Grad-CAM) 提高深度学习模型预测的可解释性.

主要方法:

• 脑电图信号被处理成通道间连续波波变换 (CWT) 相关矩阵.
• 一个卷积神经网络 (CNN) 模型 (ADHD/CD-NET) 使用这些矩阵进行训练,并通过10倍交叉验证进行评估.
• 使用Grad-CAM识别了对诊断结果有贡献的显著EEG通道.

主要成果:

• ADHD/CD-NET实现了高分类准确度:93.70% (内部) 和98.19% (外部).
• 该系统表现出极好的灵敏度 (90.83%内部,98.36%外部) 和特异性 (95.35%内部,98.03%外部).
• Grad-CAM成功地突出了关键的EEG通道,为模型的决策过程提供了洞察力.

结论:

• 通过EEG数据,ADHD/CD-NET提供了一种强大而客观的方法来区分ADHD,CD和它们的并发症.
• 该系统执行时间定位和识别重要通道的能力有助于临床诊断.
• 这种深度学习方法为心理健康专业人员在诊断ADHD和CD时提供了有价值的客观分析.