活动数据中的最佳间隔和特征选择,用于检测注意力缺陷多动症

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 临床诊断 临床诊断 临床诊断

背景情况:

• 注意缺陷多动障碍 (ADHD) 是儿童和青少年常见的一种神经行为障碍,其特点是注意力不集中,冲动和多动.
• 传统的ADHD诊断方法可能耗时,导致延迟,增加未诊断的病例和更高的医疗费用.
• 使用机器学习 (ML) 和深度学习 (DL) 的客观,数据驱动的方法正在成为早期ADHD诊断的有效工具.

研究的目的:

• 评估特征选择技术对使用活动数据集预测ADHD的ML模型性能的影响.
• 为了比较特定时间间隔活动数据与更宽的间隔在识别ADHD时的有效性.
• 评估五种不同ML模型的ADHD诊断的预测能力.

主要方法:

• 活动数据集被用来训练和测试五种不同的ML模型.
• 应用了特征选择技术,以确定活动数据中的重要预测因素.
• 该研究分析了使用特定和更广泛的时间间隔活动数据的绩效指标.

主要成果:

• 实施精确的特征选择使模型准确度提高了0.11.
• 清晨和夜间间隔的活动数据被证明是ADHD的更有意义的预测因素.
• 具体的时间间隔数据显示,对于准确的ADHD预测至关重要.
• 随机森林模型实现了最高的性能:准确率为84%,精度为79%,F1得分为85%,回忆率为92%.

结论:

• 特性选择和特定时间间隔活动数据的使用显著提高了基于ML的ADHD预测.
• 人工智能与活动数据相结合,提供了一个有希望的框架,以支持早期ADHD检测的临床决策.
• 早晨和晚上的活动模式是识别ADHD的关键指标,表明有针对性的数据收集可以提高诊断效率.