基于 EEG 频谱图和深度学习技术的 ADHD 诊断界面
计算机与社会
2024-12-04 v1 机器学习
信号处理
摘要
本文介绍了一种创新的注意力缺陷/冲动/过动障碍(ADHD)诊断方法，采用深度学习(DL)技术处理脑电图(EEG)信号。该方法解决了当前基于行为的诊断方法存在的局限性，这些方法常导致误诊和性别偏见。通过利用公开的EEG数据集并将信号转换为频谱图，我们使用Resnet-18卷积神经网络(CNN)架构提取特征，用于ADHD分类。该模型在精确率、召回率和总体F1分数方面均达到0.9。特征提取揭示了与ADHD相关的重要脑区(前极、顶叶和枕叶)。这些见解引导我们创建了一个三部分数字诊断系统，促进了尤其在学校环境中成本效益高且可及的ADHD筛查。该系统实现了对处于ADHD风险中的学生进行更早、更准确的识别，为其发展结果提供及时的支持。本研究展示了将EEG分析与DL集成以提高ADHD诊断的潜力，为传统方法提供了可行的替代方案。
引用
@article{arxiv.2412.02695,
title = {An ADHD Diagnostic Interface Based on EEG Spectrograms and Deep Learning Techniques},
author = {Medha Pappula and Syed Muhammad Anwar},
journal= {arXiv preprint arXiv:2412.02695},
year = {2024}
}
备注
Presented at SIPAIM 2024