論文の概要: ADHDeepNet From Raw EEG to Diagnosis: Improving ADHD Diagnosis through Temporal-Spatial Processing, Adaptive Attention Mechanisms, and Explainability in Raw EEG Signals

• arxiv url: http://arxiv.org/abs/2509.08779v1
• Date: Wed, 10 Sep 2025 17:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.525328
• Title: ADHDeepNet From Raw EEG to Diagnosis: Improving ADHD Diagnosis through Temporal-Spatial Processing, Adaptive Attention Mechanisms, and Explainability in Raw EEG Signals
• Title（参考訳）: 生脳波から診断までのADHDeepNet:生脳波信号の時空間処理によるADHD診断の改善、適応的注意機構、説明可能性
• Authors: Ali Amini, Mohammad Alijanpour, Behnam Latifi, Ali Motie Nasrabadi,
• Abstract要約: 注意欠陥多動性障害(ADHD)は、成人まで持続できる小児の脳障害である。 本稿では,Deep Learning(DL)アプローチとElectroencephalogram(EEG)信号を活用することで,ADHDの診断精度とタイムラインを改善する新しい手法を提案する。 本稿では,脳波信号に最適化された時間空間特性,アテンションモジュール,説明可能性技術を利用したDLモデルであるADHDeepNetを紹介する。
• 参考スコア（独自算出の注目度）: 0.5408890608048686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attention Deficit Hyperactivity Disorder (ADHD) is a common brain disorder in children that can persist into adulthood, affecting social, academic, and career life. Early diagnosis is crucial for managing these impacts on patients and the healthcare system but is often labor-intensive and time-consuming. This paper presents a novel method to improve ADHD diagnosis precision and timeliness by leveraging Deep Learning (DL) approaches and electroencephalogram (EEG) signals. We introduce ADHDeepNet, a DL model that utilizes comprehensive temporal-spatial characterization, attention modules, and explainability techniques optimized for EEG signals. ADHDeepNet integrates feature extraction and refinement processes to enhance ADHD diagnosis. The model was trained and validated on a dataset of 121 participants (61 ADHD, 60 Healthy Controls), employing nested cross-validation for robust performance. The proposed two-stage methodology uses a 10-fold cross-subject validation strategy. Initially, each iteration optimizes the model's hyper-parameters with inner 2-fold cross-validation. Then, Additive Gaussian Noise (AGN) with various standard deviations and magnification levels is applied for data augmentation. ADHDeepNet achieved 100% sensitivity and 99.17% accuracy in classifying ADHD/HC subjects. To clarify model explainability and identify key brain regions and frequency bands for ADHD diagnosis, we analyzed the learned weights and activation patterns of the model's primary layers. Additionally, t-distributed Stochastic Neighbor Embedding (t-SNE) visualized high-dimensional data, aiding in interpreting the model's decisions. This study highlights the potential of DL and EEG in enhancing ADHD diagnosis accuracy and efficiency.
• Abstract（参考訳）: 注意欠陥高活動障害(ADHD)は、成人期まで持続し、社会的、学術的、キャリア生活に影響を及ぼす、一般的な脳障害である。 早期診断は、患者や医療システムにこれらの影響を管理するために重要であるが、労働集約的で時間を要することが多い。 本稿では,Deep Learning(DL)アプローチとElectroencephalogram(EEG)信号を活用することで,ADHDの診断精度とタイムラインを改善する新しい手法を提案する。 本稿では,脳波信号に最適化された時間空間特性,アテンションモジュール,説明可能性技術を利用したDLモデルであるADHDeepNetを紹介する。 ADHDeepNetは、ADHD診断を強化するために特徴抽出と改善プロセスを統合する。 モデルはトレーニングされ、121人の参加者(61 ADHD、60 Healthy Controls)のデータセットで検証された。 提案手法は10倍のクロスオブジェクト検証戦略を用いる。 当初、各イテレーションは内部の2倍のクロスバリデーションでモデルのハイパーパラメータを最適化する。 次に、各種標準偏差と倍率レベルを有する加算ガウス雑音(AGN)をデータ拡張に適用する。 ADHDeepNetはADHD/HCの被験者の分類において100%感度と99.17%の精度を達成した。 モデル説明可能性を明らかにし,ADHD診断のための主要な脳領域と周波数帯域を同定するために,モデルの一次層のウェイトとアクティベーションパターンを解析した。 さらに、t-distributed Stochastic Neighbor Embedding (t-SNE)は高次元データを可視化し、モデルの判断の解釈を支援する。 本研究はADHDの診断精度と効率を高めるためのDLとEEGの可能性を明らかにする。

関連論文リスト

• Classification of ADHD and Healthy Children Using EEG Based Multi-Band Spatial Features Enhancement [1.5236380958983642]
  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。
  論文  参考訳（メタデータ） (2025-04-07T01:19:14Z)
• 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)
• On the Within-class Variation Issue in Alzheimer's Disease Detection [60.08015780474457]
  Alzheimer's Disease (AD) 検出では、ADと非ADの個人を区別するために、機械学習の分類モデルを使用している。 そこで本研究では,サンプルスコア推定器を用いて,認知的スコアと整合した標本特異的なソフトスコアを生成できることを確認した。 ソフトターゲット蒸留(SoTD)とインスタンスレベルの再分散(InRe)の2つの簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• 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)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• 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)
• 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)
• Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection [69.53626024091076]
  アルツハイマー病(AD)は高齢者に特に顕著である。 事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。 本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:03:28Z)

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。