61、基于CNN - LSTM分类模型的不同ADHD群体脑网络连接分析

基于CNN - LSTM分类模型的不同ADHD群体脑网络连接分析

1. 引言

注意缺陷多动障碍（ADHD）是儿童和青少年常见的神经发育障碍，主要表现为无法集中注意力、调节活动和控制冲动行为。目前，全球ADHD的患病率约为7.2%，由于其发病机制尚不清楚，已逐渐成为全球性的公共卫生问题。作为ADHD的亚型之一，注意缺陷障碍（ADD）通常在智力维度和注意力转换能力方面存在缺陷。目前，ADHD的主要诊断标准是美国精神病学协会制定的《精神障碍诊断与统计手册第五版》（DSM - 5），医生主要根据患者的日常心理行为和社会活动进行判断，缺乏客观、可量化的分类指标。

由于传统诊断缺乏定量分类指标，而脑电图（EEG）信号作为一种具有高时间分辨率的非线性信号，能提供大量与认知活动相关的客观数据，因此可使用深度学习算法自动提取EEG相关特征并进行分析。常用的处理EEG信号的深度模型主要包括卷积神经网络（CNN）和EEGNET，本研究使用CNN和长短期记忆模型（LSTM）的串联模型CNN - LSTM进行分类。

当人类大脑完成一项任务时，并非仅依赖单个神经元或脑区，而是通过多个脑区的相互协调，处理和传输各脑区的信息来共同完成任务。脑功能连接可以很好地描述各个脑功能区的协同工作状态。ADHD会对患者造成不同程度的脑损伤，因此进行脑功能连接分析具有重要意义。

现代网络理论越来越多地应用于神经科学领域，用于研究健康和患病受试者的大脑。客观理解不同脑区功能连接组成的网络，在神经科学中起着至关重要的作用。在静息EEG中，通过图论和网络科学工具揭示了正常和病理功能脑组织的基本机制。脑连接图可以分析脑区之间的动态相互作用，可分为功能连接和有效连接。功能连接研究脑区动态之间的统计相关性，而有效连接