通过使用像素减法和机器学习对门诊咨询视频的分类来诊断注意力缺陷多动症的客观方法

科学领域:

• 神经发育障碍 神经发育障碍
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 注意缺陷多动症 (ADHD) 是一种普遍存在的儿童神经发育障碍.
• 目前的ADHD诊断依赖于DSM-5中的主观观察和标准.
• 现有的ADHD评估工具缺乏对动作模式的客观量化.

研究的目的:

• 通过视频分析开发和验证使用ADHD诊断的客观方法.
• 量化ADHD和没有ADHD的儿童的运动模式.
• 为了比较机器学习模型在基于运动特征的ADHD分类中的有效性.

主要方法:

• 采用视频像素减去来量化参与者的运动.
• 分析了运动特征,包括平均值,方差和香农.
• 利用六个机器学习模型进行分类分析.

主要成果:

• 与非ADHD组相比,ADHD组观察到明显更高的运动特征值.
• 与对照组 (1.0 ± 0.38) 相比,患有ADHD的儿童 (2.38 ± 0.59) 的Shannon值显著更高.
• 随机森林模型实现了90.24%的准确性,88.85%的灵敏度和91.75%的特异性.

结论:

• 提出的像素减去和机器学习方法为ADHD诊断提供了一个客观和实用的方法.
• 这种技术可以作为一个有价值的工具来支持ADHD评估中的临床决策.
• 客观的运动量化提高了ADHD诊断的可靠性.