大数据分析用于揭示注意力缺陷多动性障碍中的Voxel连接模式
Rezzy Eko Caraka1,2,3,4, Khairunnisa Supardi5, Prana Ugiana Gio6
1Engineers Profession Program, Graduate School, Universitas Padjadjaran, Bandung, West Java, 45363, Indonesia.
Journal of multidisciplinary healthcare
|August 7, 2025
概括
机器学习确定了关键的大脑区域,如注意力缺陷多动障碍 (ADHD) 诊断的状. 这种方法提高了ADHD的分类准确性,提高了诊断潜力.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 医学成像分析 医学成像分析
背景情况:
- 注意缺陷多动性障碍 (ADHD) 呈现出复杂的,异质的脑活动模式.
- 鉴定与ADHD相关的特定大脑区域是具有挑战性的,因为神经成像数据的复杂性.
研究的目的:
- 应用先进的机器学习来发现ADHD诊断中的关键特征.
- 通过神经成像数据来提高分类性能.
主要方法:
- 从ADHD患者的神经成像记录中分析了5937个大脑声音.
- 使用Boruta进行特征选择,使用DALEX进行随机森林和神经网络.
- 尺寸缩小 (PCA) 和聚类 (KMeans,MCLUST) 用于模式探索;深度神经网络中激活函数 (ReLU,Sigmoid,Tanh) 的评估.
主要成果:
- 鉴定显著的ADHD预测因子:状,乳头和上状.
- 机器学习集成提高了分类准确性.
- 基于ReLU的神经网络在大多数指标上表现出卓越的表现.
结论:
- 一个强大的机器学习框架可以分析ADHD的高维神经成像数据.
- 确定的大脑区域作为ADHD的生物学相关标志物.
- 这些发现支持神经精神病诊断和个性化干预的数据驱动方法.
更多相关视频
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
15.9K
13:09Using Brain Activation nir-HEG/Q-EEG and Execution Measures CPTs in a ADHD Assessment Protocol
Published on: April 1, 2018
10.4K
