用人工智能驱动的脑电图分析用于早期检测儿童的注意力缺陷多动性障碍,以预防学习障碍和心理健康挑战
Manjusha Deshmukh1, Mahi Khemchandani2
1Computer Engineering Department, Saraswati College of Engineering, Navi Mumbai, Maharashtra, India.
Applied neuropsychology. Child
|October 8, 2025
概括
这项研究提高了使用电脑电图 (EEG) 分析检测注意力缺陷多动症 (ADHD) 的检测. 使用LightGBM模型的短期里叶变换 (STFT) 实现了96%的准确性,识别了用于成本有效诊断的5通道系统.
科学领域:
- 神经科学和生物医学工程
- 计算精神病学是一种计算精神病学.
- 医疗信号处理 医疗信号处理
背景情况:
- 注意缺陷多动症 (ADHD) 与其他心理健康状况有共同的症状,使诊断复杂化.
- 早期诊断ADHD对于及时干预和改善患者结果至关重要.
- 当前的诊断方法可能是主观的,耗时的.
研究的目的:
- 为了确定与儿童ADHD相关的特定大脑区域.
- 通过先进的脑电图 (EEG) 分析,开发一个可靠的早期ADHD诊断框架.
- 通过准确和高效的诊断工具,使迅速的干预成为可能.
主要方法:
- 使用离散等号变换 (DCT),短时间里埃变换 (STFT) 和经验模式分解 (EMD) 的EEG信号分解.
- 机器学习 (ML) 算法,特别是光梯度增强机器 (LightGBM),用于ADHD检测.
- 对分解技术和电极配置进行比较分析,以获得最佳的诊断准确度.
主要成果:
- 与DCT和EMD相比,STFT在ADHD检测方面表现优越.
- 在19个电极位点使用STFT与LightGBM实现了96%的准确率.
- 使用STFT和LightGBM的减少5电极配置 (Fp1F3C3C4P4) 获得了91%的准确性.
结论:
- STFT与LightGBM相结合,代表了通过EEG检测ADHD的最先进方法.
- 最少的5通道电极设置可以保持高的诊断准确性,为可扩展的解决方案铺平道路.
- 这项研究为开发具有成本效益和高效的多动症诊断系统提供了基础.
