Estudio comparativo de modelos de aprendizaje profundo multicapa y de referencia para la clasificación del TDAH a
Lamiaa A Amar1, Ahmed M Otifi2, Shimaa A Mohamed3
1Department of Networks and Distributed Systems, Informatic Research Institute, City of Scientific Research and Technological Applications, SRTA-CITY, Alexandria, 21934, Egypt.
Physical and engineering sciences in medicine
|August 26, 2025
Resumen
Un nuevo marco de aprendizaje profundo de múltiples cabezas es prometedor para el diagnóstico del trastorno por déficit de atención e hiperactividad (TDAH) utilizando señales de electroencefalografía (EEG). Este enfoque logró una precisión del 89,87%, superando a los métodos tradicionales para la detección del TDAH.
Área de la Ciencia:
- La neurociencia
- Psiquiatría computacional
- Aprendizaje automático
Sus antecedentes:
- La creciente prevalencia del trastorno por déficit de atención e hiperactividad (TDAH) en los niños requiere mejores herramientas de diagnóstico.
- La electroencefalografía (EEG) ofrece un método no invasivo para la detección del TDAH, pero la utilización completa del canal plantea desafíos computacionales.
- El exceso de ajuste del modelo es un riesgo con los análisis complejos de EEG.
Objetivo del estudio:
- Comparar un nuevo marco de aprendizaje profundo de múltiples cabezas con un enfoque tradicional de un solo modelo para la clasificación del TDAH utilizando EEG.
- Evaluar la eficacia del uso de un conjunto reducido de canales de EEG seleccionados estratégicamente.
- Evaluar la capacidad de los modelos multicanales para capturar las relaciones entre canales y las características temporales.
Principales métodos:
- Se recogieron datos de EEG de 79 participantes (37 con TDAH, 42 sanos) en cuatro estados cognitivos.
- Utilizó cinco canales de EEG estratégicamente seleccionados para mitigar la complejidad computacional.
- Implementó un marco de aprendizaje profundo multidireccional con ramas paralelas (memoria de corto plazo bidireccional, memoria de corto plazo larga, unidad recurrente con puerta).
Principales resultados:
- El marco de múltiples cabezas, específicamente la combinación de memoria de corto plazo larga y memoria de corto plazo larga bidireccional, logró la mayor precisión de clasificación del 89,87%.
- Este rendimiento superó significativamente todas las configuraciones de modelo único de referencia probadas.
- El enfoque de múltiples cabezas efectivamente extrajo características temporales más ricas y relaciones entre canales.
Conclusiones:
- Los modelos de aprendizaje profundo de múltiples cabezas demuestran un potencial significativo para mejorar el diagnóstico de TDAH basado en EEG.
- La integración de diversas arquitecturas de aprendizaje profundo dentro de un marco de múltiples cabezas mejora la precisión de la clasificación.
- Este enfoque ofrece un método computacionalmente eficiente y eficaz para la detección de TDAH.
