論文の概要: Refining ADHD diagnosis with EEG: The impact of preprocessing and temporal segmentation on classification accuracy

• arxiv url: http://arxiv.org/abs/2407.08316v2
• Date: Mon, 4 Nov 2024 08:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-08 22:29:08.934968
• Title: Refining ADHD diagnosis with EEG: The impact of preprocessing and temporal segmentation on classification accuracy
• Title（参考訳）: 脳波を用いたADHD診断の精細化:前処理と時間分割が分類精度に及ぼす影響
• Authors: Sandra García-Ponsoda, Alejandro Maté, Juan Trujillo,
• Abstract要約: 本研究は,脳波によるADHD診断の信頼性向上における前処理とセグメンテーションの重要性を強調した。 後の脳波セグメントで訓練されたモデルは、ADHDを識別する際の認知疲労の潜在的な役割を示唆し、かなり高い精度を実現した。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background: EEG signals are commonly used in ADHD diagnosis, but they are often affected by noise and artifacts. Effective preprocessing and segmentation methods can significantly enhance the accuracy and reliability of ADHD classification. Methods: We applied filtering, ASR, and ICA preprocessing techniques to EEG data from children with ADHD and neurotypical controls. The EEG recordings were segmented, and features were extracted and selected based on statistical significance. Classification was performed using various EEG segments and channels with Machine Learning models (SVM, KNN, and XGBoost) to identify the most effective combinations for accurate ADHD diagnosis. Results: Our findings show that models trained on later EEG segments achieved significantly higher accuracy, indicating the potential role of cognitive fatigue in distinguishing ADHD. The highest classification accuracy (86.1%) was achieved using data from the P3, P4, and C3 channels, with key features such as Kurtosis, Katz fractal dimension, and power spectrums in the Delta, Theta, and Alpha bands contributing to the results. Conclusion: This study highlights the importance of preprocessing and segmentation in improving the reliability of ADHD diagnosis through EEG. The results suggest that further research on cognitive fatigue and segmentation could enhance diagnostic accuracy in ADHD patients.
• Abstract（参考訳）: 背景: 脳波信号はADHD診断で一般的に使用されるが、ノイズやアーチファクトの影響を受けやすい。 効率的な前処理とセグメンテーション手法はADHD分類の精度と信頼性を大幅に向上させることができる。 方法:ADHDおよびニューロタイプコントロールを持つ小児の脳波データに対して,フィルタリング,ASR,ICAプリプロセッシング技術を適用した。 脳波記録は, 統計的意義に基づいて抽出され, 選択された。 機械学習モデル(SVM, KNN, XGBoost)を用いた様々な脳波セグメントとチャネルを用いて分類を行い,ADHDの正確な診断に最も効果的な組み合わせを同定した。 その結果,後期脳波領域で訓練したモデルでは,ADHDの識別に認知疲労が関与する可能性が示唆された。 最も高い分類精度 (86.1%) はP3、P4、C3チャネルのデータを用いて達成され、クルトーシス、カッツフラクタル次元、デルタ、セタ、アルファバンドのパワースペクトルなどの重要な特徴が結果に寄与した。 結論: 本研究は, 脳波によるADHD診断の信頼性向上における前処理とセグメンテーションの重要性を強調した。 以上の結果から,ADHD患者の認知疲労とセグメンテーションに関するさらなる研究により,診断精度が向上することが示唆された。

関連論文リスト

• Explainable AI for Autism Diagnosis: Identifying Critical Brain Regions Using fMRI Data [0.29687381456163997]
  自閉症スペクトラム障害(ASD)の早期診断と介入は、自閉症者の生活の質を著しく向上させることが示されている。 ASDの客観的バイオマーカーは診断精度の向上に役立つ。 深層学習(DL)は,医療画像データから疾患や病態を診断する上で,優れた成果を上げている。 本研究の目的は, ASD の精度と解釈性を向上させることであり, ASD を正確に分類できるだけでなく,その動作に関する説明可能な洞察を提供する DL モデルを作成することである。
  論文  参考訳（メタデータ） (2024-09-19T23:08:09Z)
• Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
  アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。 本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
  論文  参考訳（メタデータ） (2024-08-20T13:11:43Z)
• Topological Feature Search Method for Multichannel EEG: Application in ADHD classification [13.381770446807016]
  トポロジカルデータ分析はADHD分類の新しい視点を提供する。 本稿では,ADHDにおけるマルチチャネル脳波に適用可能な拡張型TDA手法を提案する。 その結果、精度、感度、特異性はそれぞれ78.27%、80.62%、75.63%に達した。
  論文  参考訳（メタデータ） (2024-04-10T01:37:41Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
  我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
  論文  参考訳（メタデータ） (2023-06-15T16:22:57Z)
• Skeleton-based action analysis for ADHD diagnosis [10.393047508477173]
  骨格に基づく行動認識フレームワークを用いた新しいADHD診断システムを提案する。 従来の手法と比較して,提案手法はコスト効率と大幅な性能向上を示す。 本手法はマススクリーニングに広く応用されている。
  論文  参考訳（メタデータ） (2023-04-14T13:07:27Z)
• Characterizing TMS-EEG perturbation indexes using signal energy: initial study on Alzheimer's Disease classification [48.42347515853289]
  経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。 本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-29T19:27:06Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Detecting Autism Spectrum Disorder using Machine Learning [3.2861753207533937]
  逐次最小最適化(SMO)ベースのサポートベクトルマシン(SVM)分類器は、他のすべてのベンチマーク機械学習アルゴリズムより優れている。 Relief Attributesアルゴリズムは、ASDデータセットで最も重要な属性を特定するのに最適である。
  論文  参考訳（メタデータ） (2020-09-30T08:33:12Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。