使用脑电连接和深度学习，并结合Pearson相关系数和锁相值(PLV)改进ADHD诊断

摘要

注意力缺陷多动障碍(ADHD)是一种影响儿童和青少年的广泛性神经行为障碍，早期检测对于有效治疗至关重要。脑电(EEG)连接测量可以揭示EEG记录之间的相互依赖关系，突出大脑网络模式和功能行为，从而提高诊断准确性。本研究提出了一种将线性和非线性大脑连接图与基于注意力的卷积神经网络(Att-CNN)相结合的新型ADHD诊断方法。利用Pearson相关系数(PCC)和锁相值(PLV)创建来自不同EEG频段的融合连接图(FCM)，然后将其输入到Att-CNN中。将注意力模块放置在CNN的最新卷积层之后。评估不同优化器(Adam和SGD)的性能和学习率。所提模型在使用SGD优化器、在θ频段的FCM中、学习率为1e-1的条件下，分别获得了98.88%的准确率、98.41%的精度、98.19%的召回率和98.30%的F1分数。通过使用FCM、Att-CNN和先进的优化器，该技术有望成为ADHD早期诊断的可靠工具，从而大大提高患者的治疗效果和诊断准确性。

引言

注意力缺陷多动障碍(ADHD)是一种常见的神经行为疾病，通常始于儿童期或青春期，并可能持续至成年期。ADHD有三个主要特征：注意力不集中、过度活跃和冲动行为。大约有5%的人口受到ADHD的影响，其症状通常在12岁之前就会表现出来。据估计，儿童中约有12.1%的男孩和3.9%的女孩患有ADHD。具体来说，根据美国2020至2022年的国家健康访谈调查数据显示，5至17岁儿童中被诊断为ADHD的患病率为11.3%。男童的患病率(14.5%)通常高于女童(8.0%)。

ADHD患者经常会面临一系列问题，包括社交孤立和孤独感、建立和维持人际关系困难，以及持续的学业挑战和成绩不佳。因此，早期发现ADHD对于改善患者的生活质量至关重要。早期诊断还可以实现及时干预，显著减少潜在的并发症。当ADHD被及早诊断时，则可以更早地采取行为疗法、教育支持和药物治疗等干预措施。这些干预措施可有效管理ADHD症状(如注意力难以集中、过度活跃和冲动行为)。通过对这些核心症状进行干预，可以显著改善ADHD患者的日常功能和生活质量。

儿童ADHD通常由临床精神科医生和心理学家进行诊断评估。诊断过程包括评估《精神疾病诊断与统计手册》(DSM-V)标准、进行医学检查、从学校收集信息、采访家庭成员、使用ADHD评定量表(如Conners评定量表)，以及进行神经心理学评估。目前，尚无广泛使用的客观评估工具来支持ADHD的诊断并减少主观性。因此，通过计算方法获得第二意见，不仅可以增强临床医生对其评估的信心，还能提高诊断效率。

通过观察儿童行为至少六个月，并使用EEG评估儿童大脑功能的方式进行ADHD诊断，有助于该疾病的及早发现。有研究者认为，ADHD主要是由负责调节注意力和专注力的脑区功能障碍所致。EEG提供了有关个体大脑内神经活动的信息，并在检查大脑的功能性和有效连接性方面具有诸多优势。这些优势包括响应时间快、便携性以及数据记录高效。正是这些因素使得EEG成为研究大脑不同区域如何相互通信的合适选择。

尽管已取得积极的研究成果，但在实现一个准确且简单的ADHD分类模型方面仍存在着巨大的差距。当前的连接映射方法通常依赖于单一的方式，导致特征值重复或冗余。这种冗余可能会降低使用此类连接特征图的分类器的效率和效果。此外，许多采用特征提取技术的研究未能考虑脑区之间的相互关系，而是独立提取特征。这种忽视导致了一种权衡，因为这些方法未能充分利用区域之间的连接潜力，也未能全面捕捉线性和非线性关系。

本研究提出的方法通过将融合的大脑连接与线性和非线性连接测量相结合，并辅以基于注意力机制的卷积神经网络(Att-CNN)来解决这些局限性。该方法充分利用了每种技术的优势，从而提供了EEG数据的整体和详细表征。这样做可以更有效地捕捉与ADHD相关大脑活动的复杂动态，最终在保持模型简洁性的同时提高分类准确性。因此，本研究尝试引入一种将线性和非线性大脑连接测量与Att-CNN相结合的新型分类方法，以提高ADHD的诊断准确性，同时确保模型的简洁性和实用性。

材料与方法

本研究提出的框架如图1所示。接下来将详细解释每个步骤。

图1.使用融合的大脑连接图和基于注意力机制的CNN来分类ADHD与健康对照组(HC)的框架。