基于智能手机的CPT上的机器学习用于ADHD预测
Núria Casals1, Simon Larsson1, Mikkel Hansen1
1Medical Department, Qbtech AB, Stockholm, Sweden.
Frontiers in psychiatry
|November 24, 2025
概括
智能手机传感器和持续性能测试 (CPT) 可以准确诊断注意力缺陷/多动障碍 (ADHD). 整合CPT,面部和运动数据的机器学习模型显示出高诊断性能,超过了传统方法.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 精神病学是一个精神病学.
背景情况:
- 持续性表现测试 (CPT) 是注意力缺陷/多动障碍 (ADHD) 评估的标准.
- 智能手机传感器为心理健康提供了新的行为监测.
- 机器学习 (ML) 正在成为提高ADHD诊断的工具.
研究的目的:
- 评估使用智能手机进行基于CPT的ADHD评估的可行性.
- 确定智能手机传感器数据在预测ADHD诊断中的实用性.
- 开发和验证使用智能手机数据进行ADHD评估的ML模型.
主要方法:
- 利用了952名神经类型个体和292名非药物治疗的多动症患者的数据.
- 开发了一种基于人口统计,CPT,面部和运动传感器数据的ML模型.
- 顺序添加特征组来评估ADHD的预测性能.
主要成果:
- 最好的ML模型实现了0.808的灵敏度和0.799.79的PR-AUC.
- 整合智能手机传感器数据显著改善了诊断性能.
- 性能在不同年龄组 (6-60岁) 或性别之间没有显著差异.
结论:
- 基于智能手机的CPT可以准确评估ADHD.
- 整合智能手机传感器数据 (面部跟踪,运动) 可以提高诊断准确度.
- 这种方法显示出超越传统的基于计算机的ADHD评估的潜力.
关键词:
更多关于 ADHD ADHD 的文章在这里,我们可以看到AIAIAI.在 CPT CPT 中使用.面部跟踪系统 面部跟踪系统机器学习是机器学习.移动移动移动移动移动运动传感器的运动传感器.智能手机的智能手机智能手机的智能手机.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
16.6K
13:09Using Brain Activation nir-HEG/Q-EEG and Execution Measures CPTs in a ADHD Assessment Protocol
Published on: April 1, 2018
10.8K
