基于 EEG 的 ADHD 诊断精细化：预处理和时间分段对分类准确率的影响
信号处理
2024-11-05 v2 机器学习
摘要
背景:EEG 信号常用于 ADHD 诊断,但常受噪声和伪影影响。有效的预处理和分段方法可显著提高 ADHD 分类的准确率和可靠性。方法:我们对来自 ADHD 患儿和正常对照的 EEG 数据应用了滤波、ASR 和 ICA 预处理技术。对 EEG 记录进行分段,并基于统计显著性提取和选择特征。使用各种 EEG 分段和通道配合机器学习模型(SVM、KNN 和 XGBoost)进行分类,以识别最有效的组合,实现准确的 ADHD 诊断。结果:我们的发现表明,基于后期 EEG 分段训练的模型准确率显著更高,这表明认知疲劳在区分 ADHD 患者中可能发挥作用。最高的分类准确率(86.1%)通过 P3、P4 和 C3 通道的数据实现,关键特征包括峰度、Katz 分形维数以及 Delta、Theta 和 Alpha 频段的功率谱。结论:本研究突显了预处理和分段在提高通过 EEG 实现 ADHD 诊断可靠性方面的重要性。结果表明,进一步研究认知疲劳和分段可提高 ADHD 患者的诊断准确率。
引用
@article{arxiv.2407.08316,
title = {Refining ADHD diagnosis with EEG: The impact of preprocessing and temporal segmentation on classification accuracy},
author = {Sandra García-Ponsoda and Alejandro Maté and Juan Trujillo},
journal= {arXiv preprint arXiv:2407.08316},
year = {2024}
}