早期注意力缺陷/多动性障碍 (ADHD) 使用NeuroDCT-ICA和基于犀牛优化 (RFO) 算法的优化ADHD-AttentionNet.
Ahmed Alhussen1, Ahmed Ibrahim Alutaibi1, Sunil Kumar Sharma2
1Department of Computer Engineering, College of Computer and Information Sciences, Majmaah University, Al-Majmaah, 11952, Saudi Arabia.
Scientific reports
|February 26, 2025
概括
这项研究引入了一种使用深度学习的高级ADHD检测系统. 这种新的方法显著提高了从EEG数据中识别注意力缺陷多动症模式的准确性和效率.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 目前用于检测注意力缺陷多动症 (ADHD) 的现有方法在数据处理,准确性和计算效率方面存在局限性.
- 深度学习 (DL) 框架为增强ADHD检测系统提供了变革的潜力.
研究的目的:
- 开发一种复杂的ADHD检测框架,克服当前方法的缺点.
- 为了利用DL提高准确性,数据处理和减少ADHD识别中的计算时间.
主要方法:
- 开发了一种新的NeuroDCT-ICA模块,用于预处理原始EEG数据,重点是消除噪声和特征提取.
- 引入了一种新的RhinoFish优化 (RFO) 算法,用于最佳的特征选择,增强系统稳定性和数据处理.
- 基于DL的模型ADHD-AttentionNet被用作ADHD识别的核心组件.
主要成果:
- 拟议的模型实现了高性能指标,包括精度为98.52%,F值为98.26%,特异性为98.16%.
- 神经DCT-ICA模块有效地消除了噪音,并从EEG数据中提取了信息特征.
- RFO算法提高了系统稳定性和数据处理能力.
结论:
- 开发的基于DL的框架为ADHD检测提供了更准确,更有效的方法.
- 结合NeuroDCT-ICA,RFO和ADHD-AttentionNet,在识别与ADHD相关的模式方面表现出卓越的表现.
- 这种先进的方法对ADHD诊断中的临床应用具有重大前景.
更多相关视频
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
15.5K
05:48The Adventures of Fundi Intervention Based on the Cognitive and Emotional Processing in Attention Deficit Hyperactive Disorder Patients
Published on: June 12, 2020
5.6K
