一种混合方法来检测注意力缺陷过度活动障碍,利用变压器和XGBoost模型使用XSparseFormerNet
Sharon Rose Sarker1, Saowmi Mehjabin2, Meherin Majid Piper2
1Computer Science and Engineering (CSE), BRAC University, Dhaka, Bangladesh. sharon.rose.sarker@g.bracu.ac.bd.
Scientific reports
|November 20, 2025
概括
通过新的AI模型,提前检测注意力缺陷/多动障碍 (ADHD) 得到了改进. 这种组合方法提高了使用EEG数据诊断神经发育障碍的诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 早期发现ADHD等神经发育障碍对于有效干预至关重要.
- 传统的诊断方法面临挑战,包括主观性,资源限制和诊断偏见,导致潜在的不足/过度诊断.
- 准确的诊断支持社会,认知和精神发展.
研究的目的:
- 开发一个先进的组合模型,以提高神经发育障碍诊断的准确性和效率.
- 通过创新的计算方法解决传统诊断方法的局限性.
主要方法:
- 提出了一个集合模型,XSparseFormerNet,集成一个定制编码器-解码器变压器与注意力机制和一个XGBoost模型.
- 使用预处理的脑电图 (EEG) 数据集进行培训和验证.
- 使用自定义的变压器架构与XGBoost梯度增强算法相结合.
主要成果:
- 该XSparseFormerNet模型在诊断神经发育障碍时实现了85%的准确性.
- 与传统方法相比,拟议的模型在各种评估指标上表现出卓越的表现.
- 这项研究强调了整体模型在改善神经疾病的诊断准确性方面的潜力.
结论:
- 该XSparseFormerNet模型在早期发现神经发育障碍方面取得了重大进展.
- 这项研究为未来使用人工智能和EEG数据检测疾病的研究提供了强大的方法.
- 这些发现强调了利用先进的人工智能技术来实现更精确,更有效的医疗诊断的重要性.
