在ADHD诊断中重新定义参数效率:一个轻量级的注意力驱动的kolmogorov-arnold网络,参数复杂性降低,具有新的激活功能

科学领域:

• 人工智能的人工智能
• 神经科学是一个神经科学.
• 医学诊断 医学诊断 医学诊断

背景情况:

• 深度学习模型,特别是卷积神经网络 (CNN),在医学分析的解释性和计算成本方面面临挑战.
• 这些局限性在注意力缺陷多动症 (ADHD) 诊断中至关重要,在这种诊断中,效率和理解模型决策至关重要.

研究的目的:

• 通过使用科尔莫戈罗夫-阿诺德网络 (KANs) 提出一种新的,参数效率高的ADHD诊断框架.
• 解决医疗应用中现有的复杂深度学习模型的局限性.

主要方法:

• 利用Kolmogorov-Arnold网络 (KAN) 进行重组的特征转换,降低参数,同时保持精度.
• 整合了以注意力驱动的特征选择机制,以优先考虑重要的特征.
• 引入了一种新的激活函数,用于适应性转换的可学习系数.
• 采用基于滑动窗口的数据增强技术来增强模型的概括性.

主要成果:

• 在ADHD-200数据集上实现了79.25%的准确性,78.75%的F1得分和78.23%的精度.
• 与许多最先进的ADHD研究相比,表现优越.
• 仅需要几千个参数,远远少于现有方法使用的数百万个参数.

结论:

• 拟议的基于KAN的框架提供了显著的参数减少,增强了性能和可解释性.
• 这种轻量级的架构对ADHD诊断和其他资源有限的医疗应用非常有希望.