卷积神经网络框架用于基于EEG的儿童ADHD诊断
1ECE, NSUT, Dwarka, Delhi 110078 India.
Health information science and systems
|September 3, 2024
概括
这项研究开发了一种简单的卷积神经网络 (CNN),用于检测使用脑电图 (EEG) 信号的儿童注意力缺陷多动性障碍 (ADHD). 该方法实现了100%的准确性,为早期ADHD诊断提供了一个实用的工具.
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) 是一种普遍存在的神经发育障碍,影响着全球的学龄儿童.
- 印度的患病率在5%至11%之间,需要有效的诊断工具.
- 电脑电图 (EEG) 为早期ADHD检测和分类提供了一个有前途的途径.
研究的目的:
- 引入一种简单而有效的卷积神经网络 (CNN) 架构,用于儿童的ADHD检测.
- 用预处理的EEG信号来评估CNN的性能.
- 探索使用减少一组EEG通道用于诊断的可行性.
主要方法:
- 使用带通波器预处理EEG信号,并将其细分为5秒.
- 在CNN应用之前,经过了规范化和正规相关性分析.
- 两层卷积CNN架构用于培训和测试.
主要成果:
- 使用所有19个EEG通道实现了100%的准确性,灵敏性和特异性.
- 为了降低计算复杂度,仅使用正面EEG通道进行了研究.
- 额头通道分析为ADHD检测提供了99.08%的准确性.
结论:
- 拟议的CNN方法证明了ADHD诊断的高准确性和易于实施.
- 这种方法具有广泛临床部署的巨大潜力.
- 简化的EEG通道使用提供了准确性和计算效率之间的实际平衡.
