通过EEG解码注意力:为BCI在注意力相关障碍中的应用铺平了道路

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 生物医学工程 生物医学工程

背景情况:

• 与注意力相关的障碍,如ADHD,会带来诊断上的挑战.
• 脑电图 (EEG) 提供了一种非侵入性方法来研究大脑活动.
• 需要客观的生物标志物来准确诊断和监测注意力缺陷.

研究的目的:

• 调查EEG光谱特征,以客观诊断与注意力相关的障碍.
• 在ADHD患者中识别分辨大脑活动模式.
• 通过使用EEG数据评估机器学习对ADHD分类的潜力.

主要方法:

• 收集了31名参与者 (包括ADHD个体) 在Go/No-Go任务期间的EEG数据.
• 分析了theta,alpha和beta频段中的光谱功率.
• 计算了theta-to-beta比率 (TBR) 并应用K-最近邻居进行分类.

主要成果:

• 特别是在额头部区域,ADHD组显示出显著更高的theta功率和TBR,特别是额头部区域.
• 机器学习模型准确地分类了ADHD与使用TBR的对照组.
• ADHD参与者表现出更快的反应时间,但错误增加,表明注意力缺陷.

结论:

• 脑电图谱分析,特别是TBR,显示出作为ADHD客观诊断工具的潜力.
• 将EEG与机器学习相结合可以提高对注意力过程的评估.
• 进一步的研究可能会导致用于注意力障碍评估的大脑计算机接口 (BCI) 应用.