基于EEG的ADHD分类使用自编码器特征提取和ResNet与双增强注意力机制
Jayoti Bansal1, Gaurav Gangwar1, Mohammad Aljaidi2
1Department of Computer Science Engineering, Baba Farid College of Engineering & Technology, Bathinda 151001, Punjab, India.
Brain sciences
|January 24, 2025
概括
这项研究引入了一种新的深度学习模型,使用脑电图 (EEG) 客观诊断注意力缺陷/多动障碍 (ADHD). 先进的ResNet模型实现了高精度,为ADHD诊断提供了一个有前途的工具.
科学领域:
- 神经科学是一个神经科学.
- 医疗技术 医疗技术 医学技术
- 人工智能的人工智能
背景情况:
- 注意缺陷/多动障碍 (ADHD) 是一种常见的神经发育障碍,没有客观的诊断测试.
- 目前的ADHD诊断依赖于主观的精神病学评估,需要大量的临床努力.
- 需要客观的工具来提高ADHD诊断的准确性并减少主观性.
研究的目的:
- 开发一种客观的ADHD诊断方法,使用电脑电图 (EEG) 信号分析.
- 利用深度学习技术,从EEG数据中改进ADHD诊断.
- 引入一种基于ResNet的新型模型,用于复杂的EEG模式识别,具有双增强注意力机制.
主要方法:
- 使用自动编码器从EEG数据中提取特征.
- 使用爬行动物搜索算法进行最佳特征选择.
- 开发和训练了一个修改的ResNet架构用于ADHD分类.
主要成果:
- 拟议的ResNet模型与传统分类器相比,表现优越.
- 实现了99.42%的准确性,99.03%的精度,99.82%的回忆力和99.42%的F1分数.
- 该模型实现了0.99.9的曲线下的接收器操作特征区域 (ROC AUC) 评分.
结论:
- ResNet模型在区分患有和没有ADHD的儿童方面表现出了卓越的能力.
- 客观的诊断方法尽量减少错误分类的错误.
- 这种先进的EEG分析可以提高ADHD的诊断精度.
