大脑区域对注意力缺陷多动症 (ADHD) 电脑电图 (EEG) 信号的影响:机器学习算法与实证模式分解和时间域分析的比较

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 注意缺陷多动症 (ADHD) 诊断通常依赖于行为评估.
• 电脑电图 (EEG) 信号提供了一个潜在的ADHD客观生物标志物.
• 优化EEG分析需要仔细选择大脑区域,特征提取方法和机器学习算法.

研究的目的:

• 为了评估大脑区域的各种组合的有效性,特征提取技术和机器学习算法用于使用EEG识别ADHD.
• 确定基于EEG的ADHD检测最准确和临床相关的方法.

主要方法:

• 经验模式分解 (EMD) 用于从非静止和非线性EEG波形中提取特征.
• 使用多个机器学习分类器,包括随机森林 (RF),AdaBoost (AB),天真湾 (NB),支持矢量机 (SVM),k-最近邻居 (KNN),决策树 (DT),线性差异分析 (LDA) 和深度信念网络 (DBN).
• 对各种大脑区域进行了分类测试,以确定最佳性能.

主要成果:

• 随机森林 (RF),基于EMD的天真湾 (NB) 和深信网络 (DBN) 始终在不同大脑区域组合中表现出卓越的性能.
• 基于EMD的NB在前极 (FPO) 和前部区域实现了最高准确率 (87%).
• 射频在前端中极 (FCP) 显示了84%的精度,在正面区域显示了83%,基于EMD的DBN和NB显示出更高的精度,精度和回忆.

结论:

• 特定的大脑区域,特征提取的EMD和NB和RF等机器学习分类器的组合显著增强了基于EEG的ADHD识别.
• 拟议的方法通过专注于特定的大脑区域,提供可解释的见解,增加临床适用性.
• 基于EMD的NB和RF提供了通过EEG检测ADHD的有希望,准确和临床相关的工具.