基于变压器的定向传输熵连接性建模，在儿童 EEG 基础上用于 ADHD 分类

《Sensors》：Transformer-Based Modeling of Directed Transfer Entropy Connectivity for EEG-Based ADHD Classification in Children

　　

:

摘要

脑电图（EEG）是一种无创且成本低廉的工具，可用于评估注意力缺陷/多动障碍（ADHD）。然而，EEG的非平稳特性导致从同一参与者记录的信号窗口之间存在显著差异，这可能掩盖诊断结构并导致预测结果不一致。为了解决这个问题，我们提出了基于上下文化的传递熵网络（CTE-Net），这是一种端到端的深度学习架构，它结合了全局内容上下文化与非线性和有方向的EEG连接性估计。CTE-Net首先使用Transformer编码器对每个EEG窗口内的多通道表示进行上下文化处理。处理后的信号通过通道级的非线性时间滤波器和Takens延迟坐标嵌入进行进一步处理。然后，利用Rényi的传递熵公式和有理二次核，估计所有有序电极对之间的有向预测信息依赖性。所得到的连接性系数用于ADHD与对照组的分类。该模型在公开可用的儿童EEG数据集上进行了评估，该数据集包含120名参与者，其中ADHD组和对照组各占一半，采用了五种固定的受试?划分方式和十次随机训练重复。在窗口级别，CTE-Net的准确率为，精确率为，灵敏度为。在参与者层面，其准确率为（95%置信区间为–），ROC-AUC为{jtmenu_counter="7">（95%置信区间为–），显示出具有竞争力和相对均衡的分类性能。除了分类性能外，有方向的传递熵表示在所有分析的表示阶段中表现出最低的受试者内差异，相对于原始EEG，中位数降低了。这种降低在不同PCA维度和距离定义下保持一致。这些基于单一数据集的发现支持CTE-Net作为一种紧凑且可解释的方法论框架，用于表示有方向的EEG相互作用，同时减弱了个别参与者内部窗口特定性的差异。