通过多分辨率分析和机器学习技术,对从额头区域收集的脑电图 (EEG) 数据与受注意力缺陷多动症 (ADHD) 影响的其他大脑区域进行比较分析

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 注意缺陷多动性障碍 (ADHD) 是一种影响日常功能的神经发育障碍,通常与脑电图 (EEG) 异常有关.
• 以前的研究表明,ADHD患者的EEG功率谱,连贯性和事件相关潜力的变化,特别是涉及额头和前额头大脑区域.

研究的目的:

• 调查经验模式分解 (EMD) 和离散波波变换 (DWT) 对于特征提取在使用EEG数据对ADHD患者进行分类时的有效性.
• 确定最佳的EEG电极位置以准确识别ADHD,并分析它们对分类性能的影响.
• 评估机器学习算法的性能,特别是AdaBoost和随机森林 (RF),用于检测ADHD.

主要方法:

• 利用来自IEEE数据站点的免费访问的ADHDEEG数据.
• 应用经验模式分解 (EMD) 和离散波波变换 (DWT) 来从EEG信号中提取相关特征.
• 采用机器学习算法 (AdaBoost和RF) 将受试者分为ADHD和控制组,分析不同电极配置的性能.

主要成果:

• AdaBoost分类器的准确度为1.00,精度,特异性,灵敏度和F1分数分别为0.70,0.70,0.75和0.71.
• 随机森林 (RF) 分类器的准确度为0.98,精度,特异性,灵敏度和F1分数分别为0.64,0.60,0.81和0.71.
• 当所有EEG电极被纳入分析时,观察到最高的分类准确性.

结论:

• 结合EMD,DWT和机器学习算法,证明了通过EEG信号检测ADHD的高效方法.
• 该研究强调了电极放置的重要性,全面覆盖可以产生最佳的诊断准确性.
• 提出的方法表明,使用EEG分析检测儿童的各种神经发育障碍是有前途的.