深度学习诊断加上神经分离性疾病的动力学严重性评估

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 发展心理学 发展心理学

背景情况:

• 神经分离性疾病 (NDD) 的早期诊断是一个重大的临床挑战.
• 在毫秒时间尺度上理解运动模式中的认知信息提供了一种新的诊断方法.

研究的目的:

• 调查通过深度学习和新生物识别分析的动态数据的潜力,用于早期NDD评估.
• 要区分自闭症谱系障碍 (ASD),注意力缺陷/多动症障碍 (ADHD),ASD+ADHD并发症和神经类型 (NT) 发育.
• 探索基于运动波动严重性的NDDs的定量分类.

主要方法:

• 应用监督深度学习 (DL) 来处理使用高清蓝牙传感器的触摸任务中的原始动力学数据 (线性和角度变量).
• 过传感器噪声以隔离生理波动,用Fano因子和Shannon Entropy量化它们.
• 从连续极端之间的大小差异开发了一个直方图分布,用于生物识别分析.

主要成果:

• 深度学习模型在预测NDD条件方面取得了很高的准确性,根据接收器运营商特征曲线下的面积来表示.
• 对过的动力学数据的生物识别分析揭示了量化波动与NDD严重程度之间的关系.
• 该研究表明DL作为早期NDD评估的补充工具的潜力.

结论:

• 毫秒时间尺度上的运动动力学包含了识别NDD的关键信息.
• 深度学习为早期NDD检测提供了一个高度准确的方法.
• 新的生物识别技术提供了一种定量方法,根据严重程度分类NDD,以帮助临床管理.