机器学习启用检测注意力缺陷/多动障碍与多模式生理数据:一个病例对照研究研究
Dimitrios Andrikopoulos1, Georgia Vassiliou2, Panagiotis Fatouros3
1Feel Therapeutics Inc., 479 Jessie St., San Francisco, CA94103, CA, USA. dimitris@feeltherapeutics.com.
BMC psychiatry
|August 5, 2024
概括
来自可穿戴设备的生理数据在诊断成人注意力缺陷/多动性障碍 (ADHD) 中表现有希望. 这项研究发现,多模体生理信号,包括皮电活动和心率变化,可以帮助高精度地区分ADHD患者和对照者.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 注意缺陷/多动障碍 (ADHD) 是一种神经发育状况,经常持续到成年.
- 目前的ADHD诊断方法耗时,主观,并依赖于回忆.
- 正在探索像生理监测这样的客观措施来改善ADHD诊断.
研究的目的:
- 调查生理学数据 (皮质活动,心率变化,皮肤温度) 作为成人多动症指标的有用性.
- 评估这些生理标记在区分ADHD患者与健康对照患者的有效性.
- 评估可穿戴传感器技术在ADHD诊断中的潜力.
主要方法:
- 一项观察性病例对照研究,涉及32名成人多动症患者和44名健康对照人群.
- 使用多传感器可穿戴设备在Stroop测试期间被动收集生理数据.
- 机器学习算法 (逻辑回归,KNN,随机森林,SVM) 用于根据生理信号对ADHD患者进行分类.
主要成果:
- 支持矢量机器 (SVM) 模型在检测成人多动症时实现了81.6%的准确性.
- 通过整合所有生理信号 (皮质活动,心率变化,皮肤温度) 的数据来获得最佳性能.
- 在SVM模型中,ADHD检测的灵敏度 (81.4%) 和特异性 (81.9%) 是平衡的.
结论:
- 通过可穿戴设备收集的多式生理信号显示出作为成人多动症客观诊断指标的巨大潜力.
- 这些发现表明,生理标记可以补充传统的ADHD诊断方法.
- 需要进一步的研究来探索在ADHD诊断和管理中使用生理学数据的临床应用和长期影响.
