相关实验视频
Updated: Jan 14, 2026
09:32
Cortical Source Analysis of High-Density EEG Recordings in Children
Published on: June 30, 2014
21.9K
使用深度学习技术对ASD儿童的EEG数据进行实时分类
Lekshmylal P L1, Suresh Kumar E1, Ashalatha Radhakrishnan2
1Department of Electronics and Communication Engineering, College of Engineering Trivandrum, APJ Abdul Kalam Technological University, Thiruvananthapuram, Kerala, India.
Developmental neurobiology
|October 21, 2025
概括
这项研究引入了一种深度学习框架,用于对患有自闭症谱系障碍 (ASD) 的儿童实时电脑图 (EEG) 分类,从而提高诊断准确性. 混合CNN-LSTM模型有效地分析复杂的EEG数据,以便及时进行干预.
科学领域:
- 神经科学和人工智能 人工智能
- 发育神经科学的发展神经科学.
- 生物医学工程 生物医学工程
背景情况:
- 自闭症谱系障碍 (ASD) 的诊断和治疗是复杂的,需要先进的方法来理解神经生理学基础.
- 患有自闭症儿童的实时脑电图 (EEG) 分类是具有挑战性的,因为信号的变化,阻碍了算法开发.
- 需要创新的深度学习方法来通过EEG分析提高ASD诊断的准确性和及时性.
研究的目的:
- 开发和验证深度学习框架,以实时对ASD儿童进行EEG分类.
- 提高诊断准确度,促进ASD的早期干预.
- 为应对患有自闭症儿童脑电图信号变异所带来的挑战.
主要方法:
- 使用了来自60名儿童的EEG记录数据集 (30名患有自闭症,30名典型发展).
- 预处理涉及细分,短时间里埃转换 (STFT) 和独立组件分析 (ICA) 来消除噪音和工件.
- 一个混合卷积神经网络 (CNN) 长的短期记忆 (LSTM) 模型被开发并使用网格搜索优化 (GSO) 进行了优化.
主要成果:
- 混合CNN-LSTM模型实现了87.5%的准确度,85.0%的精度,90.0%的回忆率和87.5%的F1得分.
- 一个基线的ResNet模型显示了略高的精度 (89.1%),但缺乏必要的时间建模功能.
- CNN-LSTM模型因其捕捉时间动态的优越能力而受到青,这对于ASD的EEG解释至关重要.
结论:
- 开发的深度学习框架,特别是混合CNN-LSTM模型,显示了对ASD儿童实时EEG分类的重大前景.
- 该模型整合空间和时间特征提取的能力增强了它对理解自闭症神经生理机制的实用性.
- 未来的研究方向包括实时反系统,移动应用程序和扩展的纵向数据分析.
