Developing an Interpretable EEG-Based Model for ADHD Diagnosis in Children Using Temporal, Spectral, and Wavelet Features
Notice bibliographique
Résumé
Attention-deficit and hyperactivity disorder (ADHD) is a clinical challenge because its signs and symptoms overlap with those of other conditions, making accurate and objective diagnosis difficult using behavioral tests alone.The study aims at a multi-view EEG signal classification model for ADHD, as well as interpretation of clinical implications.Three kinds of features were extracted: temporal statistical features, power waveform retorn time, and frequency-domain analyzed data across four levels and power spectral density (PSD).The Random Forest method was employed to analyze them.Additionally, to support anatomical interpretation, the most important channel-related features were projected onto a topographic map.The suggested method surpassed the other machine learning models tested in this study, including the K-nearest Neighbor algorithm (95.1% test accuracy) and the Decision Tree model (82% test accuracy).The Logistic Regression algorithm attained an accuracy of 69%, while the Support Vector Machine algorithm recorded the lowest accuracy at 55.9% The Random Forest model achieved 95.7% test accuracy.These results were further confirmed through cross-validation, which showed consistent performance and low variability for the Random Forest model.This comparison demonstrated the Random Forest model's ability to handle nonlinear, time-varying data and its generalization capability.The results indicate the potential of the proposed approach as a robust and clinically applicable tool for ADHD detection, laying the groundwork for future investigations involving larger datasets and advanced methodologies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».