基于注意力的BiLSTM网络的集成学习方法，用于从EEG信号中检测注意力缺陷多动障碍（ADHD）

《Computer Methods in Biomechanics and Biomedical Engineering》：Ensemble learning of attention-based BiLSTM networks for ADHD detection from EEG signals code

本研究提出基于Parallel Attention-Based BiLSTM的深度学习模型，结合EEG数据的Spectrograms、分形维度和循环图特征，通过ResNet-50进行特征提取与分类，在两个数据集上分别达到98.91%和99.10%的准确率，为ADHD早期客观诊断提供新方法。

　　

摘要

早期发现注意力缺陷多动障碍（ADHD）对儿童的心理健康至关重要。传统的方法具有主观性和不一致性。本文提出了一种基于集成学习的方法，该方法使用基于并行注意力的双向长短期记忆网络（PABiLSTM）模型处理脑电图（EEG）数据。通过ResNet-50进行处理的光谱图、分形维数和递归图增强了特征提取和分类的准确性。在两个数据集上的全面实验显示，该方法的准确率分别下降了98.91%和99.10%。尽管将深度学习应用于EEG数据可以提高诊断准确性，但它也为确定ADHD提供了一种更为客观的方法，因此是制定更好的干预策略和治疗方案的有前景的方式。