基于机器学习的ADHD脑机接口辅助诊断的相关问题研究
作者单位:辽宁科技大学
学位级别:硕士
导师姓名:张文宇
授予年度:2022年
学科分类:0831[工学-生物医学工程(可授工学、理学、医学学位)] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0836[工学-生物工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
摘 要:注意力缺失和多动障碍(Attention Deficit Hyperactivity Disorder,ADHD)是一种典型的精神功能障碍病症,普遍发生于儿童期,具有社会危害性。目前,对于ADHD病症的检测主要通过父母和儿童的调查问卷、量表以及医生临床视诊,具有很大程度的主观性,且极其容易造成误诊和漏诊。而针对ADHD病症的计算机辅助诊断应用极少,所以采用人工智能技术快速准确地检测ADHD病症,对及时发现与治疗该病症具有重要意义。因此,本文针对脑电信号数据特点,采用多种机器学习算法,通过对比实验对算法进行选择及优化,以期构建一个性能较优的ADHD脑机接口辅助诊断分类模型。本文的主要研究工作及贡献如下:(1)首先,本文在深入分析脑电信号数据特征的基础上,建立基于卷积神经网络(Convolutional Neural Networks,CNN)的VGG-16模型对ADHD脑电数据进行分类。并将该模型与长短期记忆网络(Long Short-Term Memory,LSTM)在多个实验评估指标下进行对比。在对该两个模型检测结果及原理深入分析的基础上,确定了下一步模型改进的具体思路。(2)其次,为解决VGG-16模型的特征提取不全面性,本文提出基于该模型的改进方法ADHDNet。该模型采用深度可分离卷积(Depthwise Separable Convolution)分别对ADHD患者儿童和正常儿童的脑电数据进行时域和空域特征提取,改进后的模型实验结果有显著提高,准确率达到95.3%。(3)最后,为进一步优化算法性能,提升实验准确率,本文在已提出模型的基础上构建基于多尺度和残差神经网络(Multi-Scale Resnet,MSResnet)的混合型神经网络模型。该模型泛化能力较强,可更加有效地检测ADHD脑电数据。实验结果证明,相较于其他机器学习模型,该模型在多个实验评估指标中皆表现最佳,准确率达到98.2%,可达到ADHD脑机接口辅助诊断的目的。