基于深度学习的ADHD儿童和正常儿童脑电信号分类研究

针对注意缺陷多动障碍儿童（attention deficit hyperactivity disorder,ADHD）和正常儿童的分类问题,实验采用经典干扰控制任务范式对两类儿童的事件相关电位（event-related potential,ERP）进行了研究,旨在通过ERP特征实现其分类。实验首次使用长短期记忆（long-short term memory,LSTM）方法分析两类儿童前额叶与顶枕叶脑区最佳电极（p<0.05）潜伏期（200~450ms）的脑电信号,并自动学习和分类其ERP特征。相比常规分类方法,LSTM方法的分类率略高,可达95.78%。研究结果表明LSTM方法有助于ADHD儿童脑电信号的分类,为ADHD儿童个体诊断技术提供了一种新思路。     

基于皮尔逊最优电极选择的ADHD患者脑电特征提取及分类研究

事件相关电位(ERP)可用于注意缺陷多动障碍儿童(ADHD)和正常儿童的脑电特征 提取与分类。首先,采用赌博任务范式,采集2 类儿童的脑电信号;其次,基于皮尔逊相关系 数算法选择最优电极,并预处理最优电极脑电信号;然后,提取预处理脑电信号的时域特征(均 值、方差、峰值)和频域特征(Theta 波段功率、Alpha 波段功率);最后,利用传统分类方法支持 向量机(SVM)、自适应增强(AdaBoost)、自举汇聚法(Bagging)、线性判别式分析(LDA)、反向传 播(BP)和组合分类器的分类方法(LDA-SVM,BP-SVM)完成对2 种脑电信号的分类。研究结果 表明,传统方法BP 分类器的分类准确率可达80.52%,组合分类器BP-SVM 的分类准确率可达 88.88%。组合分类方法能提高ADHD 儿童的分类准确率,为基于脑机接口技术的ADHD 神经 反馈康复治疗提供技术支持。