先进的机器学习技术揭示了ADHD儿童多维EEG异常:自动诊断的框架
Ying Mao1,2, Xuchen Qi2,3,4, Lingyan He5
1Department of Special Examination, Shaoxing Peoples' Hospital, Shaoxing, Zhejiang, China.
Frontiers in psychiatry
|March 3, 2025
概括
机器学习准确地识别了注意力缺陷多动性障碍 (ADHD) 儿童的脑电图 (EEG) 模式. 这项研究提高了对ADHD的理解.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 注意缺陷多动性障碍 (ADHD) 是一种常见的神经发育障碍,影响儿童和成人注意力和冲动控制.
- 电脑电图 (EEG) 提供了新的诊断工具和ADHD个性化治疗的潜力.
- 了解儿科ADHD的EEG特征对于推进诊断和治疗策略至关重要.
研究的目的:
- 通过先进的机器学习和特征选择,探索ADHD儿童的独特EEG特征.
- 通过数据驱动的方法,通过数据驱动的方法,与健康的对照相比,在儿科ADHD中识别大脑功能异常.
- 使用夏普利增量扩展算法 (SHAP) 来解释关于ADHD分类的机器学习模型决策.
主要方法:
- 提取了多维EEG特征,包括功率光谱密度 (PSD),模糊 (FuzEn) 和相互信息 (MI) 功能连接.
- 在分类任务中使用了四种机器学习算法:随机森林 (RF),XGBoost,CatBoost和LightGBM.
- 应用SHAP算法来评估特征的重要性和解释分类模型.
主要成果:
- 通过使用CatBoost模型和206个最佳特征 (53个PSD,5个FuzEn,148个MI) 实现了儿童ADHD检测的99.58%的分类准确性.
- 在患有ADHD的儿童中,确定了提达,α和β节律功率的增加,提升了theta/beta比率 (TBR),并增强了全脑功能连接.
- SHAP分析强调了特定EEG特征对准确ADHD分类的贡献.
结论:
- 机器学习有效地提取了EEG特征,这些特征对于区分儿科ADHD和健康对照来说至关重要.
- 多维EEG特征提供了关于ADHD背后的电生理机制的见解.
- 这些发现支持使用先进的EEG分析进行自动化ADHD诊断的可能性.
