根据使用机器学习的前额功能近红外光谱学对患有多动症的儿童进行分类.
Chan-Mo Yang1,2, Jaeyoung Shin3, Johanna Inhyang Kim4
1Department of Psychiatry, Wonkwang University School of Medicine, Iksan, Korea.
概括
功能近红外光谱学 (fNIRS) 通过机器学习有效地识别了注意力缺陷多动症 (ADHD) 的儿童. 这种神经成像技术在儿童群体中显示出作为ADHD诊断生物标志物的前景.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物 生物标志物
- 医疗成像医学成像
背景情况:
- 注意缺陷多动性障碍 (ADHD) 是一种流行的神经发育障碍,影响自我控制.
- 以前的功能近红外光谱学 (fNIRS) 研究表明,在认知任务期间,多动症儿童和对照人群之间的大脑区域差异.
研究的目的:
- 将机器学习应用于基于任务的fNIRS数据,以识别未经药物治疗的多动症儿童.
- 评估fNIRS在区分ADHD患者与健康对照 (HC) 的有效性.
主要方法:
- 在Stroop任务期间,从33名ADHD儿童和39名HC儿童收集了fnirs信号.
- 调整的线性差异分析 (RLDA) 用于分类.
- 交叉验证被用于评估分类性能.
主要成果:
- RLDA模型的准确性达到0.82.2.
- 分类产生了0.67的灵敏度和0.93.9的特异性.
- 该模型成功地区分了ADHD儿童和HC儿童.
结论:
- 使用RLDA分析的基于任务的fNIRS数据,可以有效地将ADHD儿童与健康对照区分开来.
- fNIRS显示出作为儿童ADHD的非侵入性诊断生物标志物的潜力.
更多相关视频
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
15.7K
11:31Functional Near Infrared Spectroscopy of the Sensory and Motor Brain Regions with Simultaneous Kinematic and EMG Monitoring During Motor Tasks
Published on: December 5, 2014
15.2K
