fNIRS Classification of Adults With ADHD Enhanced by Feature Selection
Notice bibliographique
Résumé
Adult attention deficit hyperactivity disorder (ADHD), a prevalent psychiatric disorder, significantly impacts social, academic, and occupational functioning. However, it has been relatively less prioritized compared to childhood ADHD. This study employed a functional near-infrared spectroscopy (fNIRS) during verbal fluency tasks in conjunction with machine learning (ML) techniques to differentiate between healthy controls (N=75) and ADHD individuals (N=120). Efficient feature selection in high-dimensional fNIRS datasets is crucial for improving accuracy. To address this, we propose a hybrid feature selection method that combines a wrapper-based and embedded approach, termed Bayesian-Tuned Ridge RFECV (BTR-RFECV). The proposed method facilitated streamlined feature selection and hyperparameter tuning in high-dimensional data, thereby reducing the number of features while enhancing accuracy. HbO features from the combined frontal and temporal regions were key, with the models achieving precision (89.89%), recall (89.74%), F-1 score (89.66%), accuracy (89.74%), MCC (78.36%), and GDR (88.45%). The outcomes of this study highlight the promising potential of combining fNIRS with ML as diagnostic tools in clinical settings, offering a pathway to significantly reduce manual intervention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».