ADHDeepNet：从原始 EEG 到诊断：利用时空处理、自适应注意力机制及 EEG 信号的可解释性改进 ADHD 诊断
机器学习
2025-09-11 v1 神经元与认知
摘要
注意力缺失多动障碍（ADHD）是儿童常见脑神经障碍，可能延续至成年，影响社交、学业和职业生活。早期诊断对于管理患者及医疗系统的影响至关重要，但往往代价高昂且耗时。本文提出一种新方法，通过深度学习（DL）方法和脑电图（EEG）信号提高 ADHD 诊断的精确度和及时性。我们引入 ADHDeepNet，一种针对 EEG 信号优化的深度学习模型，利用全面的时空特征表征、注意力模块和可解释性技术。ADHDeepNet 集成了特征提取与精炼过程，以增强 ADHD 诊断。该模型在 121 名参与者（61 名 ADHD 患者、60 名健康对照组）的数据集上进行训练和验证，采用嵌套交叉验证以确保稳健的性能。该方法采用 10 折交叉受试验证策略。初始迭代优化模型的超参数，采用内部 2 折交叉验证。随后应用不同标准偏移和放大水平的可加高斯噪声（AGN）进行数据增强。ADHDeepNet 在分类 ADHD/健康对照组 subjects 时实现了 100% 的灵敏度和 99.17% 的准确率。为澄清模型的可解释性并识别 ADHD 诊断的关键脑区和频段，我们分析了模型主要层的学习权重和激活模式。此外，利用 t 分布随机邻居嵌入（t-SNE）可视化高维数据，助于解释模型的决策。本研究突显了深度学习和 EEG 在提高 ADHD 诊断准确率和效率方面的潜力。
引用
@article{arxiv.2509.08779,
title = {ADHDeepNet From Raw EEG to Diagnosis: Improving ADHD Diagnosis through Temporal-Spatial Processing, Adaptive Attention Mechanisms, and Explainability in Raw EEG Signals},
author = {Ali Amini and Mohammad Alijanpour and Behnam Latifi and Ali Motie Nasrabadi},
journal= {arXiv preprint arXiv:2509.08779},
year = {2025}
}
备注
29 pages, 7 figures. Preprint. Correspondence: [email protected]