17、用于多动症检测的机器学习和深度学习算法综述

用于多动症检测的机器学习和深度学习算法综述

1. 研究背景与筛选

多动症（ADHD）的诊断目前主要还是临床诊断，尽管诊断标准随着研究有所改进，但工具和评估方法大体未变。在本次研究中，通过系统筛选文章，最终确定37篇期刊文章纳入综述。

2. 相关工作

2.1 机器学习方法

• 基于多种特征的分类
  • Riaz等人使用非图像（年龄、性别、智商等）和图像特征创建特征向量，用支持向量机（SVM）对多动症患者和对照者进行分类，在ADHD - 200数据集的KKI子数据集上取得了86.7%的准确率、77.2%的灵敏度和90.1%的特异度。
  • Shao等人针对ADHD - 200数据集的不平衡问题，提出基于SVM的成本敏感三目标分类模型，在Peking - 2子数据集上获得了86.04%的最佳准确率。
  • Ahmed Salman等人在预处理阶段使用三种平均时间序列分割提取大脑感兴趣区域，分类阶段使用具有隐藏层的分层极限学习机（ELM），识别对照者的准确率为99.72%，识别多动症患者的准确率为98.06%。
• 瞳孔测量法
  • Silva等人使用基于规则的系统，通过Tobii眼动仪获取14名18 - 65岁参与者的眼睛注视和扫视运动数据，提取特征后输入不同分类器，随机森林（RF）分类器取得了85.31%的最大准确率。
  • Khanna等人提出基于网络的应用程序，集成集成投票模型记录瞳孔生物特征数据，使用卷