使用EEG连接和深度学习通过结合皮尔森相关系数和相锁定值来改善ADHD诊断
Elham Ahmadi Moghadam1, Farhad Abedinzadeh Torghabeh1, Seyyed Abed Hosseini2
1Department of Biomedical Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran.
Neuroinformatics
|October 18, 2024
概括
这项研究提出了一种新的方法来诊断注意力缺陷多动性障碍 (ADHD),使用融合的大脑连接地图和基于注意力的卷积神经网络 (Att-CNN). 该方法实现了高精度,为早期ADHD检测提供了有前途的工具.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 医疗成像技术 医学成像技术
背景情况:
- 注意缺陷多动性障碍 (ADHD) 是儿童和青少年中普遍存在的一种神经行为障碍.
- 早期发现ADHD对于有效治疗和改善患者结果至关重要.
- 脑电图 (EEG) 连接分析提供了有关ADHD诊断的大脑网络模式的见解.
研究的目的:
- 开发和评估一种新的ADHD诊断方法,整合线性和非线性EEG连接.
- 评估基于注意力的卷积神经网络 (Att-CNN) 对于ADHD分类的有效性.
- 通过评估不同的优化器和学习率来优化诊断性能.
主要方法:
- 分析了来自ADHD和无ADHD个体的EEG数据.
- 计算了线性 (皮尔森相关系数 - PCC) 和非线性 (相锁定值 - PLV) 连接度.
- 融合连接地图 (FCM) 由各种EEG频率子频段创建.
- 基于注意力的卷积神经网络 (Att-CNN) 用于分类.
- 使用不同的优化器 (Adam,SGD) 和学习率来评估性能.
主要成果:
- 拟议的模型实现了高诊断性能,准确性,精度,回忆和F1评分分别达到98.88%,98.41%,98.19%和98.30%.
- 使用SGD优化器观察到最佳性能,在theta带FCM上学习率为1e-1.
- 结合FCM和Att-CNN显示了ADHD诊断的显著潜力.
结论:
- 结合FCM和Att-CNN开发的方法在诊断ADHD方面显示出高准确度.
- 这种技术为早期发现ADHD提供了一种可靠的方法,有可能改善患者的治疗结果.
- 该研究强调了先进的机器学习技术在分析神经发育障碍的复杂EEG连接数据中的实用性.
