一个基于多头卷积和循环神经网络的决策支持系统,用于协助医生诊断ADHD
Javier Sanchis1, Miguel A Teruel2, Juan Trujillo2
1Lucentia Research Group, Department of Software and Computing Systems, University of Alicante, Carretera San Vicent del Raspeig, s/n, San Vicent del Raspeig, 03690, Alicante, Spain; XSB Disseny i Multimèdia, Carrer del Mercat, 21, Onil, 03430, Alicante, Spain.
Computers in biology and medicine
|August 2, 2025
概括
一个新的深度学习模型,MCRNet,有助于使用高精度的脑电图 (EEG) 诊断注意力缺陷多动性障碍 (ADHD). 这种客观的工具提供了一种可靠的方法来识别儿童和青少年的ADHD.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 生物医学工程 生物医学工程
背景情况:
- 注意缺陷多动性障碍 (ADHD) 是青少年中普遍存在的一种神经发育障碍.
- 目前的ADHD诊断方法是主观的,耗时的.
- 需要客观的生物标志物来准确检测ADHD.
研究的目的:
- 提出MCRNet,一个新的多头卷积和循环神经网络.
- 为了利用脑电图 (EEG) 和深度学习 (DL) 来诊断ADHD.
- 开发一种客观可靠的ADHD检测工具.
主要方法:
- MCRNet采用具有卷积和循环神经网络模块的并行架构.
- 一个两阶段的多头方法增强了卷积模块内的特征提取.
- 使用跨主体验证,以确保对新患者的概括性.
主要成果:
- 在识别ADHD病例方面,MCRNet实现了94.87%的准确性和98.33%的回忆率.
- 该模型与使用原始EEG信号的现有方法相比,显示出更高的性能.
- 结果表明MCRNet在客观ADHD诊断方面具有很高的可靠性.
结论:
- MCRNet显示出有很大的潜力,可以帮助诊断ADHD.
- 该模型的架构改善了从EEG数据中提取和分类特征.
- 未来的研究应该探索MCRNet的可解释性,并在不同的EEG数据集上进行验证.
更多相关视频
09:13A Fully Automated and Highly Versatile System for Testing Multi-cognitive Functions and Recording Neuronal Activities in Rodents
Published on: May 3, 2012
14.5K
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
4.1K
