从EEG信号进行ADHD分类的多头和基线深度学习模型的比较研究
Lamiaa A Amar1, Ahmed M Otifi2, Shimaa A Mohamed3
1Department of Networks and Distributed Systems, Informatic Research Institute, City of Scientific Research and Technological Applications, SRTA-CITY, Alexandria, 21934, Egypt.
Physical and engineering sciences in medicine
|August 26, 2025
概括
一个新的多头深度学习框架显示出使用脑电图 (EEG) 信号诊断注意力缺陷/多动症 (ADHD) 的前景. 这种方法的准确性达到了89.87%,超过了传统的ADHD检测方法.
科学领域:
- 神经科学
- 计算精神病学
- 机器学习
背景情况:
- 儿童注意力缺陷/多动性障碍 (ADHD) 的患病率越来越高,需要改进诊断工具.
- 脑电图 (EEG) 是一种非侵入性方法来检测ADHD,但完全利用道会带来计算上的挑战.
- 在复杂的脑电图分析中,模型过度配合是一个风险.
研究的目的:
- 将一个新的多头深度学习框架与使用EEG的传统单模型方法进行比较.
- 评估使用一组战略性选择的EEG通道的有效性.
- 评估多头模型捕捉道间关系和时间特征的能力.
主要方法:
- 在四个认知状态中收集了79名参与者的脑电图数据 (37名患有多动症,42名健康).
- 使用五个战略性选择的EEG通道来减轻计算的复杂性.
- 实施了具有平行分支的多头深度学习框架 (双向长期短期记忆,长期短期记忆,门式循环单元).
主要成果:
- 多头框架,特别是长期短期内存和双向长期短期内存组合,实现了最高的分类准确率89.87%.
- 这种性能明显超过了所有测试的基线单一模型配置.
- 多层次的方法有效地提取了更丰富的时间特征和道间的关系.
结论:
- 多头深度学习模型显示出增强基于EEG的ADHD诊断的巨大潜力.
- 将多种深度学习架构集成到一个多头框架中可以提高分类的准确性.
- 这种方法提供了一种计算效率高且有效的ADHD检测方法.
