基于脑电图 (EEG) 预测注意力缺陷多动性障碍 (ADHD) 使用机器学习
Jun Won Kim1, Bung-Nyun Kim2, Johanna Inhyang Kim3
1Department of Psychiatry, Daegu Catholic University School of Medicine, Daegu, Republic of Korea.
Neuropsychiatric disease and treatment
|February 18, 2025
概括
对脑电图 (EEG) 数据的机器学习分析显示,对于诊断注意力缺陷多动症 (ADHD) 的诊断有前途. 这种非侵入性方法实现了高准确性,识别了ADHD诊断的关键脑波模式.
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.
- 生物医学工程 生物医学工程
背景情况:
- 注意缺陷多动症 (ADHD) 诊断在准确性和及时性方面面临挑战.
- 脑电图 (EEG) 提供了一种非侵入性方法来研究大脑活动.
研究的目的:
- 评估将EEG数据与机器学习相结合的有效性,以提高ADHD诊断准确度.
- 探索机器学习模型作为ADHD诊断的客观工具的潜力.
主要方法:
- 168名参与者 (107名ADHD,61名神经类型) 进行了EEG记录.
- 在五个频段 (delta,theta,alpha,beta,gamma) 中分析了EEG数据.
- 极端梯度提升 (XGBoost) 分类器与Leave-One-Subject-Out (LOSO) 交叉验证一起使用.
主要成果:
- 该XGBoost模型实现了90.81%的测试准确度和F1得分为0.9347.
- 数据增强产生了2434个ADHD和1060个神经典型EEG段.
- 在SHAP分析中,中位贝塔频率特征 (O1电极) 被认为对分类具有重要意义.
结论:
- 基于EEG的机器学习模型展示了准确和可解释的ADHD诊断的潜力.
- 该研究强调了将SHAP分析,数据增强和LOSO交叉验证相结合的新性.
- 为了临床验证,建议使用更大,更多样化的数据集进行进一步的研究.
