TFS-FENet:基于EEG的ADHD亚型分类的时间频率空间深度学习框架
Yuchen Ni1, Qian Cai2, Haixian Wang1
1Key Laboratory of Child Development and Learning Science of Ministry of Education, School of Biological Science and Medical Engineering, Southeast University, Nanjing, Jiangsu, PR China.
Applied neuropsychology. Child
|December 24, 2025
概括
这项研究引入了一种新的深度学习模型,TFS-FENet,用于使用脑电图 (EEG) 数据诊断注意力缺陷/多动障碍 (ADHD). 该模型在分类ADHD亚型和典型发育方面取得了很高的准确性,提供了一个有希望的客观诊断工具.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 注意缺陷/多动症 (ADHD) 诊断依赖于行为症状,缺乏客观的生物标志物.
- 电脑电图 (EEG) 提供了高时间分辨率和低成本,显示了ADHD诊断援助的潜力.
- 现有的EEG分析方法往往忽略了三维的联合时间频率和空间特征.
研究的目的:
- 提出一个新的深度学习框架,TFS-FENet,以有效地建模EEG时频空间特征.
- 通过整合先进的特征提取技术,提高ADHD的客观诊断.
- 研究TFS-FENet在分类ADHD亚型和区分ADHD与典型发育中的实用性.
主要方法:
- 开发了TFS-FENet,这是一个集结卷积神经网络和注意力机制的深度学习框架.
- 利用休息状态EEG数据集,包括ADHD-不注意,ADHD-组合和典型发育的儿童.
- 执行三类和二进制分类任务,以评估模型性能与既定方法相比.
主要成果:
- 在三类ADHD分类任务中,TFS-FENet取得了96.89%的准确性.
- 在二元分类任务 (ADHD与典型发育儿童) 中,准确度达到99.36%.
- 解释性分析表明依赖于前额,部和部区域,与ADHD神经生物学保持一致.
结论:
- TFS-FENet在使用EEG数据对ADHD进行分类方面表现出卓越的表现,优于现有的模型.
- 拟议的框架有效地捕捉了复杂的时间-频率-空间EEG特征,以提高诊断准确性.
- 这些发现支持TFS-FENet作为ADHD诊断的客观工具的潜力,与神经生物学证据一致.
