基于EEG的ADHD诊断使用自编码器和爬行动物搜索算法与机器学习集成
Jayoti Bansal1, Gaurav Gangwar1, Gagandeep Singh2
1Department of Computer Science Engineering, Baba Farid College of Engineering & Technology, Bathinda, India.
Clinical EEG and neuroscience
|October 29, 2025
概括
机器学习应用于脑电图 (EEG) 数据,为诊断注意力缺陷多动障碍 (ADHD) 提供了一种新方法. 这项研究表明,随机森林机器学习模型在客观ADHD诊断方面达到高精度.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 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) 是一种流行的神经发育障碍,影响认知和行为功能.
- 目前的诊断方法依赖于主观,耗时和昂贵的评估,如问卷和采访.
- 传统ADHD诊断的局限性阻碍了早期发现和干预.
研究的目的:
- 开发和评估一种基于机器学习的方法,用于使用脑电图 (EEG) 数据对客观ADHD诊断.
- 为了比较随机森林和AdaBoost分类器在从EEG信号中识别ADHD模式的有效性.
- 增强特征提取和选择,以提高诊断准确度.
主要方法:
- 利用电脑电图 (EEG) 数据进行ADHD诊断.
- 使用Random Forest和AdaBoost机器学习分类器.
- 实现了爬行动物搜索算法与自动编码器用于特征提取和选择.
- 评估模型性能使用准确度,精度,回忆,F1分数和AUC.
主要成果:
- 随机森林实现了92.36%的准确性,精度,回忆和F1得分,超过了AdaBoost (89.78%).
- 随机森林在区分ADHD病例方面表现出卓越的有效性,ROC AUC得分为0.93.
- 与传统方法相比,机器学习方法显示出更高的诊断准确性.
结论:
- 应用于EEG数据的机器学习为ADHD诊断提供了一个有前途,客观和可靠的工具.
- 这种方法提供了一个有效的替代传统评估,促进及时干预.
- 这些发现支持使用先进的计算技术来改善ADHD的诊断和管理.
