基于脑电信号的注意力缺陷多动障碍分类的超高维计算

近期广泛关注将超高维计算范式应用于医学语境以提升针对生物医学数据的通用机器学习性能。本研究首次尝试运用此类技术解决基于脑电图信号的注意力缺陷多动障碍分类问题。通过采用时空编码器并利用HDC的特性，本研究提出的模型实现了88.9%的分类准确率，超越了传统深度神经网络基准模型。该研究的核心不仅在于提升模型的分类准确率，还在于探索其在所需训练数据方面的效率：该研究的关键发现是识别实现足够准确水平所需的患者最低数量。我们模型仅使用其中7名患者（总计79名）训练即可达到与基准模型在完整数据集上训练所达到的准确率。这一发现凸显了该模型的高效性及其在医疗环境中的潜力——在这些环境中，通常难以获得大规模数据集。