.png){kind=icon}
返回
TFS-FENet: A time-frequency spatial deep learning framework for EEG-based ADHD subtype classification
.png){kind=icon}
PRE
AI
DOI：10.1080/21622965.2025.2606108.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
注意缺陷多动障碍（ADHD）是一种常见的神经发育障碍，其临床诊断主要依赖行为表现，缺乏客观生物学标志物。脑电图（EEG）因其高时间分辨率和低成本，被认为在辅助ADHD诊断方面具有巨大潜力。然而，现有方法大多专注于建模EEG的时间-空间、频率-空间或时间-频率等二维特征表示，而极少数方法能同时捕捉时间-频率和空间的三维联合特征。在本文中，我们提出了一种新型深度学习框架TFS-FENet（时间-频率-空间特征提取网络），该框架整合了卷积神经网络与注意力机制，以有效建模EEG的时间-频率-空间特征。利用在东南大学采集的静息态EEG数据集（包含ADHD-注意力缺陷型、ADHD-混合型和正常发育儿童三类），实验结果表明，TFS-FENet在ADHD三类分类任务中达到96.89%的准确率，显著优于ShallowConvNet、EEGNet、ResNet18和DeepConvNet等对比模型。在二分类任务（ADHD与正常发育儿童）中，准确率进一步提升至99.36%。此外，基于通道权重的可解释性分析揭示，该模型更侧重于依赖前额叶、颞叶和枕叶区域，这与ADHD现有的神经生物学发现高度一致。
Keyword:
Attention deficit/hyperactivity disorder (ADHD)
deep learning
electroencephalogram (EEG)
short-time Fourier transform (STFT)
期刊
A
IF:
1.1
论文数:
133
被引数:
807
机构
引用论文
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A population of Nestin-expressing progenitors in the cerebellum exhibits increased tumorigenicity
OAAI
OAAI分享收藏Classification of Post-COVID-19 Emotions with Residual-Based Separable Convolution Networks and EEG Signals.png)
SUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏Identifying individuals with attention deficit hyperactivity disorder based on temporal variability of dynamic functional connectivitySCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容