论文部分内容阅读
注意缺陷多动障碍(Attention Deficit Hyperactivity Disorder,ADHD)是一种学龄儿童高发行为障碍综合症,严重影响到患儿的学习和生活。目前对ADHD的诊断多采用量表和问卷的形式,缺乏客观性。本文通过研究ADHD和正常人的脑电(Electroencephalogram,EEG)与脑部磁共振图像(Magnetic Resonance Imaging,MRI),结合信号处理、双谱分析、图像处理及深度学习等方法,深入探讨了ADHD的神经机制和临床诊断方法。本文第一部分,从临床上招募了16名ADHD患儿和对照组,实现了改进型视觉持续性行为测试实验,过程分为Go和No Go两个条件,分别记录受试者的脑电信号。提出了时域、频域和改进的双谱有效能量分析等定量方法,全面分析脑电信号。实验结果表明:(1)Go条件下ADHD组P2-N2峰峰值显著低于对照组;(2)NoGo条件下ADHD组11Hz左右的频谱峰值显著低于对照组;(3)两种条件下,ADHD组脑电双谱有效能量集中于?波频段,且都显著大于对照组;(4)两种条件下,ADHD组脑电双谱主峰的频率位置均显著高于对照组。本文第二部分,研究了ADHD患者和对照组的脑部MRI。提出了结合预处理与径向基函数(Radial Basis Function,RBF)神经网络、概率神经网络(Probabilistic Neural Network,PNN)和深度学习卷积神经网络(Convolutional Neural Network,CNN)的方法,完成ADHD临床MR图像分类。实验结果表明:(1)RBF神经网络分类准确率达到72.41%;(2)PNN分类准确率达到89.66%;(3)CNN的分类准确率为86.21%。实现了ADHD的自动诊断,且准确率很高,为ADHD的诊断提供了客观指标,可对大量临床MR图像自动识别,减轻了临床医师确诊的负担。因此,本文从一维脑电、二维图像、时域、频域和空域全面分析了ADHD的临床信号,讨论了造成注意力缺陷的神经机制,并为临床提供了快速、准确、定量的ADHD诊断方法。