Desarrollando modelos de inteligencia artificial basados en sistemas para detectar el trastorno por déficit de atención con hiperactividad
Autores: Alkahtani, Hasan; Aldhyani, Theyazn H. H.; Ahmed, Zeyad A. T.; Alqarni, Ahmed Abdullah
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Desarrollando modelos de inteligencia artificial basados en sistemas para detectar el trastorno por déficit de atención con hiperactividad
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Metodología
Biomarcadores de EEG
Aprendizaje automático
Aprendizaje profundo
Detección de TDAH
Selección de características
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 42
Citaciones: Sin citaciones
Este estudio presenta una metodología novedosa para automatizar la clasificación del TDAH pediátrico utilizando biomarcadores de electroencefalograma (EEG) a través de técnicas de aprendizaje automático y aprendizaje profundo. El objetivo principal es desarrollar herramientas precisas de detección basadas en EEG para ayudar en el diagnóstico clínico y permitir intervenciones tempranas para el TDAH. El sistema propuesto utiliza un conjunto de datos disponible públicamente que consiste en grabaciones de EEG en bruto de 61 individuos con TDAH y 60 sujetos de control durante una tarea de atención visual. La metodología implica un minucioso preprocesamiento de las grabaciones de EEG en bruto para aislar las señales cerebrales y extraer características informativas, incluidas las características de la señal de tiempo, frecuencia y entropía. Se aplicaron técnicas de selección de características, incluida la regularización LASSO y la eliminación recursiva, para identificar variables relevantes y mejorar la generalización. Las características obtenidas son procesadas mediante la utilización de varios algoritmos de aprendizaje automático y aprendizaje profundo, a saber, CatBoost, Árboles de Decisión de Bosque Aleatorio, Redes Neuronales Convolucionales (CNN) y Redes Neuronales de Memoria a Corto y Largo Plazo (LSTM). Los resultados empíricos de los algoritmos propuestos resaltan la efectividad de los enfoques de selección de características para emparejar biomarcadores informativos con clases de modelos óptimas. El modelo de red neuronal convolucional logra una precisión de prueba superior del 97.75% utilizando biomarcadores regularizados por LASSO, subrayando las fortalezas del aprendizaje profundo y la optimización de características personalizadas. El marco propuesto avanza en el análisis de EEG para descubrir patrones discriminativos, contribuyendo significativamente al campo de la detección y diagnóstico del TDAH. La metodología sugerida logró un alto rendimiento en comparación con diferentes sistemas existentes basados en enfoques de IA para diagnosticar el TDAH.
Descripción
Este estudio presenta una metodología novedosa para automatizar la clasificación del TDAH pediátrico utilizando biomarcadores de electroencefalograma (EEG) a través de técnicas de aprendizaje automático y aprendizaje profundo. El objetivo principal es desarrollar herramientas precisas de detección basadas en EEG para ayudar en el diagnóstico clínico y permitir intervenciones tempranas para el TDAH. El sistema propuesto utiliza un conjunto de datos disponible públicamente que consiste en grabaciones de EEG en bruto de 61 individuos con TDAH y 60 sujetos de control durante una tarea de atención visual. La metodología implica un minucioso preprocesamiento de las grabaciones de EEG en bruto para aislar las señales cerebrales y extraer características informativas, incluidas las características de la señal de tiempo, frecuencia y entropía. Se aplicaron técnicas de selección de características, incluida la regularización LASSO y la eliminación recursiva, para identificar variables relevantes y mejorar la generalización. Las características obtenidas son procesadas mediante la utilización de varios algoritmos de aprendizaje automático y aprendizaje profundo, a saber, CatBoost, Árboles de Decisión de Bosque Aleatorio, Redes Neuronales Convolucionales (CNN) y Redes Neuronales de Memoria a Corto y Largo Plazo (LSTM). Los resultados empíricos de los algoritmos propuestos resaltan la efectividad de los enfoques de selección de características para emparejar biomarcadores informativos con clases de modelos óptimas. El modelo de red neuronal convolucional logra una precisión de prueba superior del 97.75% utilizando biomarcadores regularizados por LASSO, subrayando las fortalezas del aprendizaje profundo y la optimización de características personalizadas. El marco propuesto avanza en el análisis de EEG para descubrir patrones discriminativos, contribuyendo significativamente al campo de la detección y diagnóstico del TDAH. La metodología sugerida logró un alto rendimiento en comparación con diferentes sistemas existentes basados en enfoques de IA para diagnosticar el TDAH.