使用反复性神经网络检测注意力缺陷/多动障碍的时间异常检测
Georgios Bouchouras1, Georgios Sofianidis1, Konstantinos Kotis2
1Rehabilitation, School of Health Sciences, Metropolitan College, Thessaloniki, GRC.
Cureus
|January 28, 2025
概括
机器学习准确地预测了注意力缺陷/多动障碍 (ADHD) 的运动异常. 这为更好的诊断和个性化治疗策略提供了对ADHD行为的新见解.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 医疗信息学 医疗信息学
背景情况:
- 注意缺陷/多动障碍 (ADHD) 是一种常见的神经发育状况,其特征是过度活跃.
- 了解ADHD相关的运动模式对于诊断和干预至关重要.
- 关于运动活动的客观数据可以增强临床决策.
研究的目的:
- 应用机器学习来检测和预测ADHD患者的运动活动异常.
- 评估循环神经网络 (RNN) 对分析时间运动数据的有效性.
主要方法:
- 使用包含高分辨率时间运动活动数据的HYPERAKTIV数据集.
- 采用隔离森林算法来检测活动数据中的异常.
- 开发和训练一个循环神经网络 (RNN) 模型来预测检测到的异常.
主要成果:
- 该RNN模型在ADHD参与者的异常中实现了高预测精度 (平均精度:0.953).
- 该模型显示了较低的平均损失 (0.124),表明性能强.
- 成功识别和预测运动活动数据中的时间异常.
结论:
- 机器学习,特别是RNN,可以有效地识别和预测时运动活动中的异常.
- 这种数据驱动的方法为ADHD相关的运动行为提供了客观的见解.
- 这些发现支持使用人工智能来个性化ADHD干预和改善临床管理.


