論文の概要: Classification of ADHD and Healthy Children Using EEG Based Multi-Band Spatial Features Enhancement

• arxiv url: http://arxiv.org/abs/2504.04664v1
• Date: Mon, 07 Apr 2025 01:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:09:48.093586
• Title: Classification of ADHD and Healthy Children Using EEG Based Multi-Band Spatial Features Enhancement
• Title（参考訳）: 脳波を用いたマルチバンド空間特徴強調を用いたADHD, 健常児の分類
• Authors: Md Bayazid Hossain, Md Anwarul Islam Himel, Md Abdur Rahim, Shabbir Mahmood, Abu Saleh Musa Miah, Jungpil Shin,
• Abstract要約: ベンチマークデータセットから脳波データを用いてADHDと健常児を分類する手法を提案する。 脳波信号は、高時間分解能と神経力学を捉える能力により、非侵襲的で効率的なADHD検出ツールとして登場した。
• 参考スコア（独自算出の注目度）: 1.5236380958983642
• License:
• Abstract: Attention Deficit Hyperactivity Disorder (ADHD) is a common neurodevelopmental disorder in children, characterized by difficulties in attention, hyperactivity, and impulsivity. Early and accurate diagnosis of ADHD is critical for effective intervention and management. Electroencephalogram (EEG) signals have emerged as a non-invasive and efficient tool for ADHD detection due to their high temporal resolution and ability to capture neural dynamics. In this study, we propose a method for classifying ADHD and healthy children using EEG data from the benchmark dataset. There were 61 children with ADHD and 60 healthy children, both boys and girls, aged 7 to 12. The EEG signals, recorded from 19 channels, were processed to extract Power Spectral Density (PSD) and Spectral Entropy (SE) features across five frequency bands, resulting in a comprehensive 190-dimensional feature set. To evaluate the classification performance, a Support Vector Machine (SVM) with the RBF kernel demonstrated the best performance with a mean cross-validation accuracy of 99.2\% and a standard deviation of 0.0079, indicating high robustness and precision. These results highlight the potential of spatial features in conjunction with machine learning for accurately classifying ADHD using EEG data. This work contributes to developing non-invasive, data-driven tools for early diagnosis and assessment of ADHD in children.
• Abstract（参考訳）: 注意欠陥多動性障害(ADHD)は、注意障害、多動性障害、衝動障害を特徴とする小児の神経発達障害である。 ADHDの早期かつ正確な診断は、効果的な介入と管理に重要である。 脳波(EEG)信号は、高時間分解能と神経力学を捉える能力により、非侵襲的で効率的なADHD検出ツールとして登場した。 本研究では,ベンチマークデータセットから脳波データを用いてADHDと健常児を分類する手法を提案する。 ADHDは61人,健常児は60人,男女ともに7歳から12歳であった。 EEG信号は、19のチャネルから記録され、パワースペクトル密度(PSD)とスペクトルエントロピー(SE)の特徴を5つの周波数帯域で抽出するために処理された。 分類性能を評価するため、RBFカーネルを用いたサポートベクトルマシン(SVM)は、平均クロスバリデーション精度99.2\%、標準偏差0.0079で最高の性能を示し、高い堅牢性と精度を示した。 これらの結果は、脳波データを用いてADHDを正確に分類するための機械学習と組み合わせた空間的特徴の可能性を強調している。 この研究は、小児のADHDの早期診断と評価のための非侵襲的データ駆動ツールの開発に寄与する。

関連論文リスト

• An ADHD Diagnostic Interface Based on EEG Spectrograms and Deep Learning Techniques [7.43546591259295]
  本稿では,脳波(EEG)信号に対する深層学習(DL)技術を用いた注意欠陥・高活動障害(ADHD)診断への革新的アプローチを提案する。 公開されているEEGデータセットを活用して信号をスペクトログラムに変換することで、ADHD分類のための特徴抽出にResnet-18畳み込みニューラルネットワーク(CNN)アーキテクチャを使用した。 モデルでは高い精度、リコール、F1総合スコアは0.9。
  論文  参考訳（メタデータ） (2024-12-03T18:59:35Z)
• Transparent but Powerful: Explainability, Accuracy, and Generalizability in ADHD Detection from Social Media Data [0.0]
  注意欠陥・高活動障害(ADHD: Attention-deficit/hyperactive disorder)は、小児と成人の両方に影響を及ぼす精神疾患である。 人工知能の最近の進歩、特に自然言語処理(NLP)と機械学習(ML)は、ソーシャルメディアデータを用いたスケーラブルで非侵襲的なADHDスクリーニング方法に対する有望なソリューションを提供する。 本稿では,浅層学習モデルと深層学習アプローチを併用したADHD検出に関する総合的研究を行い,ADHD関連ソーシャルメディアテキストの言語パターンを解析する。
  論文  参考訳（メタデータ） (2024-11-23T15:26:01Z)
• Challenges in the Differential Classification of Individual Diagnoses from Co-Occurring Autism and ADHD Using Survey Data [2.521920073279046]
  自閉症とADHD(Autism and Attention-Deficit Hyper Activity Disorder)は、小児期で最もよく見られる神経発達障害の1つである。 両者を区別するための特定の計算アセスメントを提供することは、困難かつ時間を要することが証明される。 自動臨床意思決定支援システムの特徴として,対象とする行動を特定するために,全国小児健康調査のデータを用いた機械学習モデルを訓練した。
  論文  参考訳（メタデータ） (2024-11-13T03:38:56Z)
• Refining ADHD diagnosis with EEG: The impact of preprocessing and temporal segmentation on classification accuracy [41.94295877935867]
  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。
  論文  参考訳（メタデータ） (2024-07-11T09:07:22Z)
• 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)
• Preliminary study on the impact of EEG density on TMS-EEG classification in Alzheimer's disease [48.42347515853289]
  TMS誘発脳波反応を用いてアルツハイマー病患者を健康的なコントロールから分類する。 精度、感度、特異性はそれぞれ92.7%、96.58%、88.2%であった。
  論文  参考訳（メタデータ） (2022-05-19T20:34:04Z)
• 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)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)

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。