Новая классификация СДВГ и риска СДВГ с использованием технологий глубокого обучения

В этой статье рассматривается новая технология классификации СДВГ и риска СДВГ с использованием роботизированных игр и глубокого обучения, что позволяет более эффективно идентифицировать отклонения в поведении детей.

В данном исследовании была разработана игра, управляемая алгоритмом, для сбора данных о движениях детей. Использовались пять датчиков Microsoft Kinect Azure для записи скелетных данных в процессе игры. Дети, участвующие в игре, были разделены на три группы: без СДВГ, риск СДВГ и диагностированный СДВГ. Для анализа данных применялся алгоритм глубокого обучения на основе двунаправленной сети LSTM с добавленным слоем внимания, что позволило улучшить точность классификации.

Результаты

Экспериментальные результаты показали, что алгоритм достиг высокой точности классификации на уровне 98.15% для всех трех групп (без СДВГ, риск СДВГ и диагностированный СДВГ). Использование канального слоя внимания позволило выделить наиболее значимые этапы игры, влияющие на классификацию. В частности, внимание детей с риском ADHD снижалось по мере прохождения игры, что указывает на необходимость разработки более сложных игровых задач для повышения концентрации.

В данной работе представлена инновационная методология для классификации СДВГ и риска СДВГ на основе анализа поведения детей в игровой среде. Полученные результаты открывают новые горизонты для применения технологий машинного обучения в области детской психиатрии и развития специализированных методов диагностики, учитывающих индивидуальные особенности поведения детей.

Ссылка на полный текст оригинальной статьи: https://www.mdpi.com/1424-8220/23/1/278