MSRLNet:一个多源融合和反网络用于ADHD的EEG特征识别

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 电脑电图 (EEG) 对于注意力缺陷多动症 (ADHD) 的识别至关重要.
• 现有的EEG方法在动态建模,小样本适应性和培训稳定性方面面临挑战.

研究的目的:

• 引入一个新的多源融合和反网络 (MSRLNet),以增强基于EEG的ADHD识别.
• 为了解决当前ADHD识别技术的局限性.

主要方法:

• 为了可解释性,MSRLNet将多源特征融合 (MSFF) 与微态和统计特征集成.
• 一个CNN-GRU并行模块 (CGPM) 可实现多尺度时间建模.
• 性能反驱动的参数优化 (PFPO) 和功能级数据增强提高了培训稳定性,解决了小样本问题.

主要成果:

• 在公共数据集上,MSRLNet实现了98.90%的准确性,98.98%的F1得分和0.979 kappa.
• 业绩超过了现有的比较方法.

结论:

• MSRLNet在通过EEG特征识别ADHD方面表现出高准确性和稳定性.
• 该网络显示了ADHD临床辅助诊断的巨大潜力.