基于语的深度神经网络用于使用EEG信号检测ADHD

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 儿科医学 儿科医学

背景情况:

• 儿童注意力缺陷/多动症 (ADHD) 的早期发现对于有效的干预和量身定制的治疗至关重要.
• 了解ADHD的神经生物学基础对于提高诊断准确性至关重要.

研究的目的:

• 应用深度学习模型来分析脑电图 (EEG) 衍生的脑图,用于儿童科目中ADHD检测.
• 利用可解释AI (XAI) 来识别关键的大脑区域和信号特征,表明ADHD.

主要方法:

• 基于语的卷积神经网络 (CNN) 被用于处理基于EEG的大脑图.
• 对EEG信号进行了功率光谱密度 (PSD) 分析.
• 梯度加权类激活映射 (Grad-CAM) 用于特征可视化和解释.

主要成果:

• 在ADHD检测方面,CNN模型实现了高分类准确率99.17%.
• 在Grad-CAM分析中,从额叶和叶的Theta带PSD特征被确定为显著的歧视因素.
• 这些发现突出了与儿童ADHD相关的特定神经生理学标志物.

结论:

• 深度学习,特别是CNN,在儿童群体中检测ADHD方面表现出很高的有效性.
• 区域性PSD指标,特别是在额叶和叶的Theta波段,对于准确的ADHD分类至关重要.
• 可解释的人工智能 (Grad-CAM) 提高了对ADHD神经生物学的理解,为提高诊断精度铺平了道路.