通过特征选择增强的ADHD成人fNIRS分类

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.
• 机器学习应用 机器学习应用

背景情况:

• 成年注意力缺陷多动症 (ADHD) 是一种常见的疾病,具有显著的功能障碍.
• 与童年多动症相比,成人多动症往往没有得到优先考虑,因此需要改进诊断方法.
• 功能近红外光谱学 (fNIRS) 提供了一种非侵入性方法来评估大脑活动.

研究的目的:

• 开发和验证一个机器学习模型,以区分患有ADHD的成年人与使用fNIRS数据的健康对照.
• 通过高维数据集的高效特征选择,提高基于fNIRS的ADHD诊断的准确性.
• 引入一种新的混合特征选择方法,贝叶斯调节峰RFECV (BTR-RFECV),以提高诊断性能.

主要方法:

• 利用功能近红外光谱 (fNIRS) 在120名ADHD成年人和75名健康对照者中记录语言流任务期间的大脑活动.
• 实施了混合特征选择方法,贝叶斯调整峰RFECV (BTR-RFECV),结合包装和嵌入式方法来获得高维的fNIRS数据.
• 训练和评估机器学习模型,使用从前脑和脑区域选择的HbO特征.

主要成果:

• BTR-RFECV方法有效地减少了特征维度,并优化了对fNIRS数据的超参数调整.
• 开发的模型实现了高诊断性能,包括精度 (89.89%),回忆 (89.74%) 和准确性 (89.74%).
• 从前额和部区域的HbO信号中确定了关键的预测特征.

结论:

• fNIRS和机器学习的结合,特别是与BTR-RFECV特征选择的结合,在诊断成年ADHD方面显示出重大前景.
• 这种方法为减少临床诊断环境中的手动干预提供了潜在的途径.
• 在不同的临床群体中进一步验证是有必要的,以建立广泛的实用性.