从使用基于多域特征的GCN使用EEG信号检测ADHD.

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.
• 机器学习 机器学习

背景情况:

• 注意缺陷多动症 (ADHD) 是一种普遍存在的儿童精神疾病.
• 使用电脑电图 (EEG) 数据准确和快速自动检测ADHD仍然是一个挑战.

研究的目的:

• 为ADHD检测开发一种基于图形卷积神经网络 (GCN) 的新型框架.
• 利用多域EEG特征,包括时间域,频率域和功能连接模式.
• 为了提高自动化ADHD诊断的准确性和可靠性.

主要方法:

• 使用长短期记忆 (LSTM) 和卷积神经网络 (CNN) 模型提取时间域和频域EEG特征.
• 通过融合相滞后指数 (PLI) 和一致性 (COH) 特性构建了一个功能连接矩阵.
• 将提取的特征和连接模式集成到GCN模型中,用于ADHD分类.

主要成果:

• 在两个独立的EEG数据集上实现了97.29%和96.67%的高平均精度.
• 超过了传统的机器学习模型,包括XGBoost,LightGBM,AdaBoost和随机森林.
• 视觉化揭示了不同的大脑连接模式,使ADHD患者与健康对照者区别开来.

结论:

• 拟议的GCN框架有效地整合了多域EEG特征,以精确检测ADHD.
• 融合功能连接矩阵提供了比单一指标方法更全面的描述大脑相互作用.
• 这种方法显示出临床诊断辅助的潜力,并为ADHD提供神经生理学的洞察力.