.png){kind=icon}
返回
Discrete wavelet transform-driven optimized deep learning-based framework for dyslexia detection using EEG signals
.png){kind=icon}
OA
AI
DOI：10.3389/fninf.2026.1765088.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的：阅读障碍是一种常见的神经发育障碍，即使在认知能力正常的情况下，也会损害儿童的阅读、写作和语言处理能力。早期识别对于及时支持阅读障碍儿童至关重要。本研究旨在开发一种基于深度学习技术的EEG检测阅读障碍的高效流程，并提供一个一致的评估协议，以便在不同模型和先前方法之间进行公平比较。方法：在认知任务执行期间，从51名参与者（26名阅读障碍，25名非阅读障碍）获取EEG记录，年龄为5-10岁。使用离散小波变换处理、分割并将这些信号分解为标准频带（α、β、δ和θ），以捕获可区分的神经模式。在分类之前应用基于过滤器的特征选择技术，以优化性能并减少冗余，从而识别最有信息量的特征。这些排序和单频带特征与经典机器学习基线（决策树、SVM、k-NN和集成学习器）以及提出的深度神经网络一起进行了系统评估。此外，我们对比了端到端的原始EEG深度学习基线（1D-CNN、LSTM和EEGNet），并重新实现了代表性的现有流程，所有这些都使用相同的评估协议在我们的数据集上进行评估。结果：提出的紧凑型四层隐藏深度神经网络取得了最佳性能，达到98.85%的分类准确率，优于所有基线模型、原始EEG深度学习基线和重新实现的流程。结论：这些发现支持了离散小波变换驱动的EEG分析与深度学习相结合，用于更准确和早期阅读障碍检测的可行性。该方法有望作为一种非侵入性筛查工具，通过早期诊断和针对性干预来支持改善教育成果。
Keyword:
deep neural network
DWT
dyslexia
MRMR
ReliefF
shallow neural network
期刊
IF:
2.5
论文数:
99
被引数:
4.5K
机构
引用论文
EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysisEEGLAB: 用于分析单次试验EEG动态的开源工具箱，包括独立成分分析
OAAI
OAAI分享收藏Multi-Modal Dyslexia Detection Model via SWIN Transformer With Closed-Form Continuous Time Networks.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Multimodal screening for dyslexia using anatomical and functional MRI data使用解剖学和功能MRI数据的多模态阅读障碍筛查
PREAI
分享收藏
查看更多内容