增强机器学习方法用于ADHD分类,使用动图数据
Georgios Feretzakis1, Iris Boufeas2, Sophia Fotakidis3
1School of Science and Technology, Hellenic Open University, Patras, Greece.
Studies in health technology and informatics
|July 1, 2025
概括
穿戴式传感器Actigraphy在客观地分类注意力缺陷多动性障碍 (ADHD) 方面显示出前景. 机器学习对日常活动模式的分析,包括日夜转换,在试点研究中准确地确定了ADHD状态.
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:
- 注意缺陷多动症 (ADHD) 的诊断是复杂的,通常依赖于主观的临床评估.
- ADHD表现的异质性质使准确和客观的诊断变得复杂.
- 需要ADHD的客观生物标志物来提高诊断准确度.
研究的目的:
- 为了研究动图学数据与机器学习结合用于ADHD分类的有效性.
- 为了确定新的动画学衍生特征预测ADHD状态.
- 使用可穿戴传感器技术建立客观ADHD诊断的基础.
主要方法:
- 收集了45名参与者的日常活动数据 (23名患有多动症,22名没有多动症) 使用动图.
- 提取了与时间模式,活动过渡和昼夜节律相关的特征.
- 评估了多个机器学习模型,包括支持矢量机器 (SVM),以获得分类准确性.
主要成果:
- 支持矢量机器获得了最高的分类性能,F1得分为0.779.
- 关键的预测特征包括日夜活动过渡,活动爆发率和确定的临床尺度.
- 动图学数据成功地区分了ADHD和没有ADHD的个体.
结论:
- 当用机器学习分析时,Actigraphy为ADHD分类提供了一个有希望的客观方法.
- 确定了特定的活动模式作为ADHD的潜在生物标志物.
- 结果支持在更大的队列中进一步验证,以改进客观的多动症诊断工具.
