.png){kind=icon}
返回
EEG-Based ADHD Detection Framework Using Local Pattern Descriptors and Bayesian-Optimized Machine Learning Classifiers
.png){kind=icon}
OA
AI
DOI：10.1109/access.2026.3716083.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管儿童注意缺陷多动障碍（ADHD）的临床诊断高度依赖主观行为评估，但脑电图（EEG）提供了一种低成本、非侵入性的客观替代方法。本研究提出了一种采用EEG信号1D纹理分析进行ADHD分类的方法。具体而言，1D局部二值模式（1D-LBP）、1D局部梯度模式（1D-LGP）和1D局部邻域描述模式（1D-LNDP）捕获19个电极在2秒帧内的局部振幅关系，基于二进制转换生成一个570维的特征空间。为优化此方法，采用最小冗余最大相关性（mRMR）方法选择190个最具判别性的特征（Hybrid-190）。随后使用多种分类器评估系统性能，并通过5折交叉验证方案中的贝叶斯优化调整超参数。在包含61名ADHD儿童和60名健康对照的基准数据集上测试时，该框架在使用k-近邻（KNN）分类器时达到分段级准确率99.63%、特异度99.65%、F1分数99.67%及曲线下面积（AUC）0.9987。在受试者独立的协议下，结合参与者级聚合，使用随机森林分类器时达到参与者级准确率78.50%和AUC 0.8600。在右侧颞-枕区域靠近T6电极处也观察到拓扑准确性峰值。在单个描述符中，1D-LGP实现了99.26%的独立分段级最高准确率。最终，该框架提供了一种可解释且计算高效的基于EEG的方法，其受试者独立性能支持其在临床决策支持系统中的潜力。
Keyword:
ADHD
classification
EEG
local binary pattern
machine learning
mRMR
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Electroencephalogram complexity analysis in children with attention-deficit/hyperactivity disorder during a visual cognitive task注意缺陷/多动障碍儿童在视觉认知任务期间脑电图复杂性分析
PREAI
分享收藏分享收藏THE MEANING AND USE OF THE AREA UNDER A RECEIVER OPERATING CHARACTERISTIC (ROC) CURVE受试者工作特征 (ROC) 曲线下面积的含义和用途.png)
RADIOLOGY
RADIOLOGYIF15.2
PREAI
分享收藏Artificial intelligence-driven transformative applications in disease diagnosis technology人工智能驱动的疾病诊断技术变革性应用
IF0
PREAI
分享收藏Toward Systems Neuroscience of ADHD: A Meta-Analysis of 55 fMRI Studies走向ADHD的系统神经科学: 55项fMRI研究的荟萃分析
OAAI
OAAI分享收藏Simple Detection of Epilepsy From EEG Signal Using Local Binary Pattern Transition HistogramIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容