机构名称：
¥ 1.0
摘要 近来，结合不同大脑模态信号的多模态神经成像被认为有提高诊断准确性的潜力。本研究旨在探索一种通过同时测量脑电图 (EEG) 和功能性近红外光谱 (fNIRS) 来区分注意力缺陷多动障碍 (ADHD) 患者和对照组的新方法。该研究纳入了 23 名接受药物治疗的混合型 ADHD 儿童和 21 名健康儿童。使用 Higuchi 分形维数和 Lempel-Ziv 复杂度、从听觉诱发电位获得的 P3 波的潜伏期和振幅值以及从 fNIRS 计算的额叶皮质血流动力学反应从 EEG 信号中获得受试者的非线性大脑动力学。在 ADHD 儿童中发现复杂性值较低、P3 潜伏期延长和 P3 振幅值降低。fNIRS 表明对照组受试者的右前额叶激活程度高于 ADHD 儿童。分析特征，寻找最佳分类精度，最后引入机器学习技术，即支持向量机、朴素贝叶斯和多层感知神经网络，用于单独 EEG 信号和 fNIRS 与 EEG 信号的组合。使用 EEG 和 EEG-fNIRS 系统，朴素贝叶斯分别以 79.54% 和 93.18% 的准确率提供最佳分类。我们的研究结果表明，通过结合从 fNIRS 和 EEG 获得的特征来利用信息可以提高分类精度。总之，我们的方法表明 EEG-fNIRS 多模态神经成像是一种有前途的 ADHD 客观诊断方法。
结合功能性近红外光谱和脑电图。...
主要关键词
相关文件推荐
